10 月 27 日（周六）上午，PaperWeekly 攜手清華大學(xué)計(jì)算機(jī)系推出了計(jì)算未來輕沙龍第三期線下活動(dòng)——揭秘 AutoML 技術(shù)。來自中國(guó)科學(xué)技術(shù)大學(xué)、中國(guó)科學(xué)院自動(dòng)化研究所和探智立方的三位嘉賓，系統(tǒng)而深入地分享了他們各自在自動(dòng)機(jī)器學(xué)習(xí)領(lǐng)域的最新研究進(jìn)展。

本文將獨(dú)家分享本期活動(dòng)的完整視頻回顧和嘉賓課件下載。

?吳開源 / 北京航空航天大學(xué)博士?

吳開源，北京航空航天大學(xué)數(shù)學(xué)博士。目前是探智立方（北京）科技有限公司算法工程師，從事人工智能自動(dòng)化平臺(tái)算法研發(fā)。

?DarwinML：基于圖進(jìn)化算法的自動(dòng)機(jī)器學(xué)習(xí)?

AutoML 技術(shù)可以減少模型設(shè)計(jì)過程中需要機(jī)器學(xué)習(xí)專業(yè)知識(shí)的手動(dòng)操作，降低傳統(tǒng)行業(yè)的進(jìn)入門檻，讓更多的社區(qū)開發(fā)者方便地使用人工智能技術(shù)。AutoML 技術(shù)最近得到學(xué)術(shù)界和工業(yè)界的越來越多的關(guān)注。

在這個(gè)講座中，我們將介紹一種基于計(jì)算圖的 AutoML 技術(shù)。利用計(jì)算圖，可以靈活地表示各種復(fù)雜的 ML 模型。與 tree-based 和 stacking-based 等方法相比，基于計(jì)算圖的方法可以提供了更大的搜索空間。我們引入了一種進(jìn)化算法來搜索最佳的模型計(jì)算圖，并設(shè)計(jì)相應(yīng)的突變和遺傳算子。結(jié)合貝葉斯超參數(shù)優(yōu)化，我們實(shí)現(xiàn)了機(jī)器學(xué)習(xí)的整個(gè)工作流程的自動(dòng)化。在 PMLB 數(shù)據(jù)集上，與 TPOT，AutoStacker 和 AutoSklearn 相比，所提出的方法顯示了更好的性能。 我們還將展示幾個(gè)基于 DarwinML 平臺(tái)的工業(yè)用戶案例。

?羅人千 / 微軟－中科大聯(lián)合培養(yǎng)博士生?

羅人千，微軟亞洲研究院－中國(guó)科學(xué)技術(shù)大學(xué)聯(lián)合培養(yǎng)博士生，目前博士三年級(jí)在讀。研究方向：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、機(jī)器翻譯。曾在 NIPS 上發(fā)表論文。

?NIPS 2018：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化?

神經(jīng)網(wǎng)絡(luò)搜索（Neural Architecture Search）是 AutoML 的一個(gè)分支，目標(biāo)是針對(duì)給定的任務(wù)和數(shù)據(jù)，通過算法自動(dòng)搜索出合適的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而減少繁雜的人工設(shè)計(jì)過程。當(dāng)前的一些搜索方法有在離散空間里基于強(qiáng)化學(xué)習(xí)、進(jìn)化算法等搜索更優(yōu)的結(jié)構(gòu)。

本次報(bào)告將介紹我們今年發(fā)表在 NIPS 上的工作?Neural Architecture Optimization。本工作將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)映射到連續(xù)空間內(nèi)，直接基于網(wǎng)絡(luò)的性能這一目標(biāo)進(jìn)行優(yōu)化，使得搜索過程更高效、使用資源更少，搜索得到的網(wǎng)絡(luò)結(jié)構(gòu)性能更好。

?陳玉康?/ 中國(guó)科學(xué)院自動(dòng)化研究所碩士生?

陳玉康，本科畢業(yè)于北京航空航天大學(xué)，曾赴加拿大約克大學(xué)、德國(guó)慕尼黑工業(yè)大學(xué)交流交換，先后在百度 IDL、地平線機(jī)器人實(shí)習(xí)。現(xiàn)為中科院自動(dòng)化所模式識(shí)別方向碩士，目前研究深度學(xué)習(xí)模型優(yōu)化、模型壓縮等方向。

?基于進(jìn)化算法和強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)搜索算法?

深度神經(jīng)網(wǎng)絡(luò)逐漸替代了人工設(shè)計(jì)的特征，并在圖像、語音、文本等領(lǐng)域不斷超越傳統(tǒng)算法。然而，深度神經(jīng)網(wǎng)絡(luò)的興起也帶來了新的問題。良好神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)通常需要研究者在擁有豐富經(jīng)驗(yàn)的情況下不斷嘗試，消耗大量的時(shí)間和計(jì)算資源來設(shè)計(jì)。而這樣設(shè)計(jì)出來的網(wǎng)絡(luò)結(jié)構(gòu)通常情況下仍然存在著各種各樣的問題，比如參數(shù)量大，精度低等等。因此，自動(dòng)化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)逐漸成為深度學(xué)習(xí)的進(jìn)一步需求。

本報(bào)告將詳細(xì)介紹我們提出的一種在進(jìn)化算法框架下結(jié)合強(qiáng)化學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索算法。本算法在消耗極少計(jì)算資源的情況下，在 CIFAR-10 和 ImageNet 等分類任務(wù)上取得了良好的效果。此外，我們還會(huì)討論神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索方向的重點(diǎn)難點(diǎn)，以及未來的工作和趨勢(shì)。

?1 / 掃碼關(guān)注?

長(zhǎng)按識(shí)別二維碼，關(guān)注PaperWeekly

?2 / 回復(fù)暗號(hào)?

在PaperWeekly微信公眾號(hào)后臺(tái)

回復(fù)暗號(hào)181027

即可獲取視頻和嘉賓課件

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？?答案就是：你不認(rèn)識(shí)的人。

總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來。

??來稿標(biāo)準(zhǔn)：

? 稿件確系個(gè)人原創(chuàng)作品，來稿需注明作者個(gè)人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?

? 如果文章并非首發(fā)，請(qǐng)?jiān)谕陡鍟r(shí)提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會(huì)添加“原創(chuàng)”標(biāo)志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請(qǐng)單獨(dú)在附件中發(fā)送?

? 請(qǐng)留下即時(shí)聯(lián)系方式（微信或手機(jī)），以便我們?cè)诰庉嫲l(fā)布時(shí)和作者溝通

?

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點(diǎn)擊 |?閱讀原文?| 獲取最新論文推薦

與50位技術(shù)專家面對(duì)面20年技術(shù)見證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的实录分享 | 计算未来轻沙龙：揭秘AutoML技术（视频 + PPT）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。