雷鋒網(wǎng)AI科技評論按：1 月 22 日，號稱業(yè)界「研值」最高的百度獎學(xué)金 2017 年度頒獎典禮在百度科技園隆重舉行。AI 科技評論作為合作媒體也受邀參加了頒獎儀式，共同見證了 10 位「AI 界耀眼新星」的誕生。

百度獎學(xué)金計(jì)劃是為了發(fā)掘、支持和鼓勵(lì)最優(yōu)秀的華人學(xué)生去解決人工智能學(xué)科領(lǐng)域當(dāng)中最有價(jià)值的技術(shù)問題，促進(jìn)中國人工智能的世界前沿站位，培養(yǎng)中國人工智能領(lǐng)域的未來儲備精英技術(shù)人才。因此本次的十位獲獎選手無疑都來自 AI 領(lǐng)域，研究方向涵蓋了當(dāng)今最熱門的計(jì)算機(jī)視覺，自然語言處理，機(jī)器學(xué)習(xí)，大數(shù)據(jù)挖掘等相關(guān)細(xì)分方向。以下是十位選手的簡單介紹。

• 陳師哲，計(jì)算機(jī)視覺領(lǐng)域，主攻「多模態(tài)情感識別」和「視頻內(nèi)容自然語言描述」，在國際頂會期刊發(fā)表相關(guān)論文十余篇。

• 王奕森，機(jī)器學(xué)習(xí)/語音領(lǐng)域，主攻樹類機(jī)器學(xué)習(xí)模型，尤其是隨機(jī)森林模型相關(guān)的基礎(chǔ)理論和應(yīng)用。

• 張飚，自然語言處理領(lǐng)域，主攻機(jī)器翻譯中的長時(shí)記憶模型，提出了創(chuàng)新型的新模型方案。

• 胡志挺，自然語言處理領(lǐng)域，主攻自然語言處理以及機(jī)器學(xué)習(xí)方向的基礎(chǔ)理論，尤其在知識和神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的方向上有獨(dú)到的見解。

• 林衍凱，自然語言處理領(lǐng)域，主攻知識表示學(xué)習(xí)，知識獲取，知識應(yīng)用方向，代表性的研究和成果有 TransR 和 PTransE，NRE 和 MNER 等。

• 王小龍，計(jì)算機(jī)視覺領(lǐng)域，碩士期間主要做 DPM 的檢測工作，博士從事預(yù)測學(xué)習(xí)（predictive learning）工作，發(fā)表的論文多次被國際頂會收錄，目前發(fā)表 17 篇論文，10 篇一作，570 個(gè)引用。

• 王云鶴，計(jì)算機(jī)視覺領(lǐng)域，主攻神經(jīng)網(wǎng)絡(luò)加速壓縮方面的研究。他提出了利用離散余弦變換來提升卷積神經(jīng)網(wǎng)絡(luò)預(yù)測過程的預(yù)測速度，該方法極具創(chuàng)新性和實(shí)用性。

• 李成濤，機(jī)器學(xué)習(xí)領(lǐng)域，主攻多樣性采樣方面的研究，他和導(dǎo)師共同研究使用馬爾科夫鏈進(jìn)行采樣，并且運(yùn)用數(shù)值計(jì)算的技術(shù)（Gauss Quadrature），極大地提升了采樣效率。

• 吳昊，數(shù)據(jù)挖掘領(lǐng)域，主攻利用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)解決軌跡序列建模以及預(yù)測問題。其研究的方法在地圖大數(shù)據(jù)軌跡挖掘、地圖新路徑挖掘，以及基于大數(shù)據(jù)人流分析具有非常重要的意義。

• 朱鎔，數(shù)據(jù)挖掘領(lǐng)域，主攻多層圖的挖掘算法, 包括 Top-K 可靠搜索，SimRank 相似性，Top-K 稠密子圖挖掘等問題。目前發(fā)表一作的頂級期刊和會議文章五篇（TKDE/KAIS/ICDE/ICDM）。

雷鋒網(wǎng) AI 科技評論了解到，本次的初選評選標(biāo)準(zhǔn)主要參考選手們的學(xué)術(shù)成績，包括在國際頂級學(xué)術(shù)會議和期刊上的總發(fā)文數(shù)，以及一作和非一作的的各自占比。以上這些選手能夠脫穎而出，除了學(xué)術(shù)成績不俗、答辯環(huán)節(jié)征服評委外，最最重要的還有他們研究成果的工程轉(zhuǎn)化能力。這一點(diǎn)在頒獎現(xiàn)場也得到了百度技術(shù)委員會主席吳華的認(rèn)可?！赶啾韧鶎玫陌俣泉剬W(xué)金獲獎選手們，這屆百度獎學(xué)金的選手更注重把研究與實(shí)際應(yīng)用場景相結(jié)合，并取得了優(yōu)秀的成績。我們希望，這些頂尖的人才能夠在未來繼續(xù)用他們的科研成果去推動人工智能的進(jìn)步?！拱俣燃夹g(shù)委員會主席，同時(shí)擔(dān)任本次獎學(xué)金評審組組長的吳華女士在頒獎現(xiàn)場如是說。

頒獎典禮結(jié)束后，為了能使大家更直接地感受獲獎選手的學(xué)術(shù)風(fēng)采。活動方邀請了三位獲獎?wù)吡盅軇P、李成濤、王云鶴進(jìn)行了簡要的學(xué)術(shù)分享，同時(shí)也邀請了兩位往屆獲獎?wù)呃罴o(jì)為、黃巖前來為「新秀們」助陣。他們五位學(xué)術(shù)青年共同為大家分享了目前對話系統(tǒng)、深度學(xué)習(xí)與知識圖譜等領(lǐng)域的最新研究成果。

第一位分享的嘉賓是斯坦福畢業(yè)生李紀(jì)為，分享主題是：教會機(jī)器談話。

大家好，很開心今天再次重新回到百度，我覺得非常開心！以前是做對話的，今天就為大家分享我一兩年前的工作。

教會機(jī)器像人類一樣交談，需要解決兩個(gè)問題。一個(gè)是如何讓機(jī)器產(chǎn)生比較有意思并且有信息的內(nèi)容。另一個(gè)是如何保持機(jī)器具有一致性，讓它說話不自相矛盾。

之前的這個(gè)模型，由于訓(xùn)練數(shù)據(jù)集里有很多無聊的回復(fù)，結(jié)果就是模型每次都會產(chǎn)生這種無聊的對話，比如說「我不知道」，「呵呵」之類的。但是光禁止機(jī)器回答這類無聊的問題是不夠的，機(jī)器還會產(chǎn)生同類，同樣意思的其他語句變種，例如下面這張圖。

所以要解決這個(gè)問題首先要通過人對機(jī)器之前說的話，來猜到機(jī)器的回復(fù)是什么。機(jī)器通過人回復(fù)的話，來猜到人之前問的話是什么。

第二個(gè)問題如何讓機(jī)器對話保持一致性，大家的想法是讓每一個(gè)人用一個(gè)向量來代替，所以當(dāng)你問一個(gè)人一百個(gè)問題的時(shí)候，他會用同一個(gè)向量做抵扣。也就是說它會用同一個(gè)向量來去讓這一百個(gè)問題的回答產(chǎn)生一致。

第二位分享嘉賓是林衍凱，分享主題是：知識表示與知識提取。

我是做偏知識圖譜方向的，前兩年主要在做知識的表示還有它的抽取。知識圖譜，可能大家比較熟悉，就是把一些實(shí)體關(guān)系組成一個(gè)圖譜。今天主要介紹兩方面，第一方面是知識表示，第二方面是知識獲取。

知識表示其實(shí)就是將知識圖譜里面的實(shí)體對應(yīng)為一個(gè)空間中的向量，傳統(tǒng)的知識圖譜是以一種三元組形式去展現(xiàn)的，現(xiàn)有知識表示方法在模型復(fù)雜度較小的情況下，效果是非常好的。我們主要工作有兩點(diǎn)，就是去解決現(xiàn)知識表示方法存在的一些問題。第一個(gè)它無法去對知識圖譜中的復(fù)雜關(guān)系進(jìn)行建模。第二個(gè)，它無法針對知識圖譜內(nèi)部的關(guān)系路徑去做建模。

第二部分工作是關(guān)于知識抽取。我主要做的是文本關(guān)系抽取方面的工作。我們提出了多元的關(guān)系抽取系統(tǒng)，無論是在中文數(shù)據(jù)下或者在英文數(shù)據(jù)下，它抽取效果都比原始的有了非常大的提高。

第三位分享嘉賓是黃巖，分享主題為：用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)處理超分辨率視頻。

我的研究方向是計(jì)算機(jī)視覺和深度學(xué)習(xí)，下面我將簡要介紹一下循環(huán)神經(jīng)網(wǎng)絡(luò)。相對于傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)，循環(huán)的網(wǎng)絡(luò)更側(cè)重于處理序列化的數(shù)據(jù)，最大的區(qū)別在于不同時(shí)刻隱含狀態(tài)之間的循環(huán)連接。需要注意的一點(diǎn)是，無論是傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)，還是循環(huán)網(wǎng)絡(luò)，它們的所有輸入都是向量的形式，層與層之間都是全連接的操作。

再來介紹一下循環(huán)卷積網(wǎng)絡(luò)，它其實(shí)是一個(gè)全卷積的循環(huán)網(wǎng)絡(luò)。以上圖為例，對于傳統(tǒng)的全連接深度神經(jīng)網(wǎng)絡(luò)，把它進(jìn)行全卷積化，即把所有的全連接都替換成卷積操作，就得到我們經(jīng)常使用的卷積網(wǎng)絡(luò)。沿著時(shí)間方向展開，深度神經(jīng)網(wǎng)絡(luò)就變成一個(gè)循環(huán)網(wǎng)絡(luò)。而我所介紹的循環(huán)卷積網(wǎng)絡(luò)本質(zhì)上是一個(gè)全卷積的循環(huán)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)在參數(shù)量上有巨大優(yōu)勢，傳統(tǒng)循環(huán)網(wǎng)絡(luò)的參數(shù)量大概是在百萬甚至千萬左右，循環(huán)卷積網(wǎng)絡(luò)基本上只有一兩萬左右，因此測試速度會得極大的提升。

 應(yīng)用循環(huán)卷積網(wǎng)絡(luò)到視頻超分辨率上，可以在保持視覺內(nèi)容空間結(jié)構(gòu)信息的同時(shí)極大提升模型的測試速度，并且卷積操作使得我們可以處理任意尺度的視頻幀。

第四位分享嘉賓為李成濤，分享主題是 ：關(guān)于多樣性采樣相關(guān)的理論、實(shí)踐及應(yīng)用。

我的研究主要是關(guān)于多樣性采樣方面的，具體來講就是在一個(gè)數(shù)據(jù)集中采樣出一些具有代表性的，沒有冗余信息的一些樣本來代表整個(gè)數(shù)據(jù)集，比如一本書的梗概，一段視頻的剪輯等等，簡言之就是從大量信息中提取「干貨」。

通過多樣性采樣，我們可以極大地減少處理數(shù)據(jù)的時(shí)間，在很短的時(shí)間內(nèi)獲得較多的信息。我之前做過一些多樣性采樣的理論工作，主要是關(guān)于如何提升多樣性采樣的效率的。比如我們研究的一個(gè)比較典型的多樣性采樣的概率分布，Determinantal Point Process。它的采樣過程非常耗時(shí)，我和導(dǎo)師研究后通過使用馬爾科夫鏈進(jìn)行采樣，在理論上證明了它的采樣效率要高于原本的方法，并且運(yùn)用數(shù)值計(jì)算的技術(shù)（Gauss Quadrature），極大地提升了采樣效率。

多樣性采樣還是有非常大的應(yīng)用前景的?，F(xiàn)在是一個(gè)信息爆炸時(shí)代，如何在更短的時(shí)間內(nèi)處理更多的信息一直是一個(gè)非常重要的課題。我覺得多樣性采樣在這里面會充當(dāng)非常重要的角色。很多我們可能不敢想象的事情，可能都會因?yàn)槎鄻有圆蓸觾鹤兂涩F(xiàn)實(shí)，比如一小時(shí)看完一本書，一分鐘看完一部電影電影等等。

最后一位分享嘉賓是王云鶴，分享主題為：關(guān)于深度神經(jīng)網(wǎng)絡(luò)的壓縮方面的研究。

我在神經(jīng)網(wǎng)絡(luò)加速壓縮方面做了深入研究，提出利用離散余弦變換將卷積神經(jīng)網(wǎng)絡(luò)預(yù)測過程中的卷積計(jì)算從空間域轉(zhuǎn)換為頻率域，在準(zhǔn)確度只有輕微下降的前提下，預(yù)測速度大幅度提升、模型消耗的存儲大幅度降低。該方法極具創(chuàng)新性和實(shí)用性。

深度卷積神經(jīng)網(wǎng)絡(luò)壓縮這個(gè)課題非常具有應(yīng)用前景，因?yàn)樯疃葘W(xué)習(xí)模型在大多數(shù)任務(wù)（例如圖像識別、圖像超分辨率等）上的精度已經(jīng)達(dá)到了落地需求，但是它們的線上速度和內(nèi)存消耗還沒有達(dá)到落地需求。

然而，越來越多的實(shí)際應(yīng)用需要用到這些深度學(xué)習(xí)模型，例如手機(jī)、智能攝像頭、無人車等。所以如何設(shè)計(jì)更輕便、更高精度的深度神經(jīng)網(wǎng)絡(luò)仍舊是一個(gè)亟需解決的問題。

雷鋒網(wǎng)報(bào)道

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。