GTC ON-DEMAND

 
SEARCH SESSIONS
SEARCH SESSIONS

Search All
 
Refine Results:
 
Year(s)

SOCIAL MEDIA

EMAIL SUBSCRIPTION

 
 

GTC ON-DEMAND

Artificial Intelligence and Deep Learning
Presentation
Media
超越黑匣子:为深度学习注入结构
Abstract:
标准深度学习算法基于不使用任何领域知识或约束的功能拟合方法。 这有几个缺点:高样本复杂性,并且缺乏鲁棒性和泛化性,尤其是在领域或任务转移下。 我将展示几种注入结构和领域知识以克服这些限制的方法,即张量,图形,符号规则,物理定律和模拟。 标准的深度学习算法基于不使用任何领域知识或约束的功能拟合方法。 这使其不适用于数据量有限或需要安全性或稳定性保证的应用程序,例如机器人技术。 通过将结构和物理注入到深度学习算法中,我们可以克服这些限制。 有几种方法可以做到这一点。 例如,我们使用张量神经网络对多维数据和高阶相关性进行编码。 我们将符号表达式与数值数据相结合,以学习功能域并获得强大的概括性。 我们将基线控制器与学习到的残余动力学相结合,以改善四旋翼无人机的着陆。 这些实例表明,将结构构建到 ML 算法中可以带来可观的收益。
 
Topics:
Artificial Intelligence and Deep Learning
Type:
Talk
Event:
GTC China
Year:
2019
Session ID:
CN9402
Download:
Share: