En poursuivant votre navigation, vous acceptez l'utilisation de cookies destinés à améliorer la performance de ce site et à vous proposer des services et contenus personnalisés.

X

Atelier sur les distributions, les fonctions, les graphiques et les groupes @ NIPS-2017

8 décembre 2017
Long Beach, CA, États-Unis

La variabilité accrue des données acquises a récemment poussé le domaine du « machine learning » à étendre son champ d'application à des données non standard, y compris, par exemple, des données fonctionnelles, distributives, graphiques ou topologiques. Les applications réussies couvrent un large éventail de disciplines telles que les soins de santé, la reconnaissance d'action à partir des données de l'accéléromètre iPod / iPhone, l'inférence causale, la bioinformatique, la cosmologie, l'inversion acoustique-articulatoire du discours, l'inférence du réseau, la recherche sur le climat et l'inférence écologique.

Le fait de tirer parti de la structure sous-jacente de ces types de données non standard entraîne souvent une augmentation significative de la précision de la prédiction et de la performance d'inférence. Pour atteindre ces améliorations convaincantes, cependant, de nombreux défis et questions doivent être abordés:

  1. En choisissant une représentation adéquate des données,
  2. Construire des mesures de similarité appropriées (produit interne, norme ou métrique) sur ces représentations
  3. Exploitant efficacement leur structure intrinsèque telle que la nature à plusieurs échelles ou les invariances
  4. Concevoir des schémas de calcul abordables (en s'appuyant par exemple sur des pertes de substitution)
  5. Comprendre les compromis computationnel-statistiques des algorithmes résultants
  6. Explorer de nouveaux domaines d'application.

L'objectif de cet atelier est :

  1. Pour discuter de nouvelles considérations théoriques et des applications liées à l'apprentissage avec des données non standard
  2. Explorer les futures orientations de recherche en réunissant des praticiens possédant diverses compétences de domaine et des outils algorithmiques, et des théoriciens intéressés à fournir une méthodologie solide
  3. Pour accélérer les progrès de cette région récente et de l'arsenal d'application.

Nous encourageons les présentations sur divers sujets, y compris, mais sans s'y limiter:

  1. Applications de non-apprentissage pour l'apprentissage sur des objets non standard
  2. La théorie de l'apprentissage / algorithmes sur les distributions
  3. Analyse de données géométriques et géométriques
  4. Analyse fonctionnelle des données
  5. L'apprentissage multi-tâches, la prédiction structurée de la production et les pertes de substitution
  6. Apprentissage valide (par exemple, noyau évalué par l'opérateur)
  7. Processus gaussien
  8. L'apprentissage sur les graphiques et les réseaux
  9. Méthodes théoriques du groupe et invariances dans l'apprentissage
  10. L'apprentissage avec des données d'entrée / sortie non standard
  11. Approches à grande échelle (par exemple, l'esquisse, les caractéristiques de Fourier aléatoires, le hachage, la méthode de Nyström, les méthodes de point induisant) et les compromis d'efficacité statistique-calcul.

Pour plus d'information :
https://sites.google.com/site/nips2017learningon/