NeurIPS 2023 预讲会第二场来啦！17个报告，全天干货 |11月1日直播预告

于 2023-10-31 18:31:58 发布
阅读量937 收藏
点赞数 1
原文链接：https://mp.weixin.qq.com/s?__biz=MzIzOTAxOTk3Nw==&mid=2247519431&idx=1&sn=0029cddf2ea4554a33b3d3a6e4bccf0f&chksm=e932be61de453777eda4a6a3e0c584b7121b72938b447aeecfe503c4287a645aa1388a95c50e&scene=126&sessionid=0
版权

点击蓝字

34ebc87e9af14bed91c5f55afc050cc4.jpeg

关注我们

AI TIME欢迎每一位AI爱好者的加入！

7fe12b61d4dc62f84e69e8d0a5f3ef31.jpeg

哔哩哔哩直播通道

扫码关注AITIME

哔哩哔哩官方账号预约直播

2023年11月1日

9:40-12:00  14:00-17:20

72858bd98a058f513e6e3d64e21dfb37.gif

9:40——12:00

4638809d13d8d8270f4e2d8b50959510.png

薛家琦

中佛罗里达大学一年级博士生，研究方向主要包括Privacy-preserving machine learning和Trojan Attack and detection on deep learning

报告题目

TrojLLM: A Black-box Trojan Prompt Attack on Large Language Models

380d0b3eef5b41d047886f698c31a3d2.jpeg

吴齐天

上海交通大学博士生，研究方向为图机器学习与几何深度学习

报告题目

Simplifying and Empowering Transformers for Large-Graph Representations

cf231a93e7367b001871e88b75d0c88b.jpeg

简翌 (Eli Chien)

ECE, GaTech博士后，于2022年在ECE, UIUC获取Ph.D.研究方向为图学习的隐私，包括差分隐私与Machine unlearning，如DP-GNN以及Certified Graph Unlearning

报告题目

Differentially Private Decoupled Graph Convolutions for Multigranular Topology Protection

31ef9dd2f1c554ceafb939d2eedfb1e9.jpeg

刘家硕

清华大学计算机系四年级博士生，主要研究方向为 Out-of-Distribution Generalization, Data-Centric AI, Data Heteorgeneity

个人主页：https://ljsthu.github.io

报告题目

On the Need for a Language Describing Distribution Shifts: Illustrations on Tabular Datasets

935c6ee8f266c4c55a66136aa9b3d593.jpeg

董家祥

清华大学软件学院四年级博士生，研究方向主要包括时间序列分析，时序表征学习

报告题目

SimMTM: A Simple Pre-Training Framework for Masked Time-Series Modeling

6f794d6c16421b444590b1698d4f62fd.jpeg

薄德瑜

北京邮电大学计算机系五年级博士生，主要研究方向为Spectral Graph Models

报告题目

Graph Contrastive Learning with Stable and Scalable Spectral  Encoding

9b6ed2b2d63273220942459a46ff5173.jpeg

陈一览

加州大学圣地亚哥分校二年级博士生，研究方向为深度学习的理论以及应用

个人主页：https://chenyilan.net/

报告题目

Analyzing Generalization of Neural Networks through Loss Path 

Kernels

14:00——17:20

2c707cb5d3780127a1c73d4367106c0f.jpeg

王子夫

KU Leuven四年级博士生，研究方向主要包括语义分割，大语言模型的加速和应用

报告题目

1.Optimization with JDTLoss for Semantic Segmentation

2.Evaluation with Fine-grained mIoUs for Semantic Segmentation

ae344b51fc7a9ba12571bbf2dc75b105.jpeg

马一宁

新加坡南洋理工大学研究员、新加坡国立大学最后一年博士生，研究方向为强化学习、深度学习和优化算法，尤其专注于新兴的学习优化领域

个人主页：https://yining043.github.io/

报告题目

NeuOpt求解器：学习搜索车辆路由问题的可行与不可行区域

db5af8cc3fe9e8a04ba5a4fd9b4275f1.jpeg

贾宇欣

北京交通大学博士生，研究方向为机器学习与时间序列预测

报告题目

 重塑RNN在长程时间序列预测上的应用——WITRAN

b498e609c652f004a71ea667fde99f2a.jpeg

孙奥

香港科技大学软件安全实验室在读博士，研究兴趣为可解释性人工智能和可信机器学习，主要是从Post-hoc，逻辑和概念的角度分析神经网络的机理

个人主页：https://jerry00917.github.io

报告题目

Explain Any Concept: Segment Anything Meets Concept-Based  Explanation

bce3237a177b21c6832ef4e05a81933a.jpeg

吴黎明

中国人民大学一年级博士生，研究方向包括几何机器学习理论方法，及其在智能药物发现、物理场景理解与模拟、智能体感知与决策等跨领域任务上的应用

实验室主页：https://gsai.ruc.edu.cn/wenbing_huang

报告题目

Equivariant Spatio-Temporal Attentive Graph Networks to Simulate Physical Dynamics

53bf583d4cb62e535d0c51037a4cbb0d.jpeg

马泽原

华南理工大学一年级博士生，研究方向为强化学习，黑箱优化，演化计算

报告题目

MetaBox: 面向元黑箱优化兼容的黑箱优化测试平台

8596d5614ad9b9b23edd28a3f1c1ca93.jpeg

秦泽钰

香港科技大学博士生，研究方向为AI Safety以及Interpretability,

个人主页：https://alan-qin.github.io/

报告题目

Towards Stable Backdoor Purification through Feature Shift Tuning

b01308274c2787af5bd12299e0295cbb.jpeg

王晓森

华中科技大学硕士生，主要研究方向为可信AI

个人主页：https://xiaosenwang.com/

报告题目

Rethinking the Backward Propagation for Adversarial Transferability

3bcdae9cf931881d5eea4943caea7b9a.jpeg

成鹏

北京交通大学计算机与信息技术学院博士生，研究方向是离线强化学习

报告题目

Look Beneath the Surface: Exploiting Fundamental Symmetry for Sample-Efficient Offline RL

添加“AI TIME小助手（微信号：AITIME_HY）”，回复“NIPS”，将拉您进“AI TIME NeurlPS 交流群”！

AI TIME微信小助手

15a23833a47a5e03e731c0b4930fbc44.jpeg

往期精彩文章推荐

c6a41d7bc01404b639272228921746c8.jpeg

关注我们 记得星标

 关于AI TIME 

AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。

迄今为止，AI TIME已经邀请了1400多位海内外讲者，举办了逾600场活动，超600万人次观看。

1ad34503386a9b63cc668f2941d70b67.png

我知道你

在看

哦

~

ce83075cca3047c8a08865a57ec034d8.gif

点击 阅读原文 预约直播！

AITIME论道
关注
博客
本周大模型新动向：高效推理压缩、云协作多Agent框架、偏好对齐
05-25 284
终止延迟，即使在得出自信的答案后，推理仍在继续。本文评估了最先进的推理模型在提示中呈现的 6 种推理提示下的 CoT 真实性，发现：（1）在大多数设置和测试模型中，CoT 在至少 1% 的使用提示的示例中揭示了其对提示的使用，但揭示率通常低于 20%；AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。
博客
CVPR 2025预讲会54位讲者相聚｜3场特邀报告+3个团队专场+5大主题方向
05-22 525
AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。迄今为止，AI TIME已经邀请了2000多位海内外讲者，举办了逾800场活动，超1000万人次观看。，华中科技大学本科生，上海AI Lab 科研实习生。添加"AI TIME小助手"，发送“CVPR”，将拉您进“AI TIME 交流群”！提出观点，表达想法，欢迎。
博客
模型效用定律：迈向可泛化评估之路｜复旦大学曹艺馨老师开讲
05-20 506
AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。迄今为止，AI TIME已经邀请了2000多位海内外讲者，举办了逾800场活动，超1000万人次观看。ICML 2025结果出炉｜一作讲者已开启招募，欢迎新老朋友来预讲会相聚！AI TIME欢迎每一位AI爱好者的加入！提出观点，表达想法，欢迎。
博客
ICLR‘25 | 大模型的长上下文自进化训练
05-18 244
目前，主流模型一般倾向于只使用非常少量的长文本数据来对齐模型（例如，LLaMA 3.1 的长文本后训练数据只有 1% 的比例）以适应实践中短文本占主流的场景，导致模型能力无法被很好地迁移到长文本场景中。上述长文本训练方法存在的问题是，所需的长文本后训练数据集通常需要人来标注，而人天然不擅长阅读长文本并给出足够的标注信息。长文本训练过程一般不采用 DPO 方法，因为 DPO 需要一个参考模型来约束模型输出，而参考模型本身往往并没有针对长文本优化，所以用于长文本场景时是不可靠的，可能会让模型走向错误的方向。
博客
ICLR‘25 | 大模型的长上下文自进化训练
05-18 237
目前，主流模型一般倾向于只使用非常少量的长文本数据来对齐模型（例如，LLaMA 3.1 的长文本后训练数据只有 1% 的比例）以适应实践中短文本占主流的场景，导致模型能力无法被很好地迁移到长文本场景中。上述长文本训练方法存在的问题是，所需的长文本后训练数据集通常需要人来标注，而人天然不擅长阅读长文本并给出足够的标注信息。长文本训练过程一般不采用 DPO 方法，因为 DPO 需要一个参考模型来约束模型输出，而参考模型本身往往并没有针对长文本优化，所以用于长文本场景时是不可靠的，可能会让模型走向错误的方向。
博客
ICLR‘25 | 大模型的长上下文自进化训练
05-18 230
目前，主流模型一般倾向于只使用非常少量的长文本数据来对齐模型（例如，LLaMA 3.1 的长文本后训练数据只有 1% 的比例）以适应实践中短文本占主流的场景，导致模型能力无法被很好地迁移到长文本场景中。上述长文本训练方法存在的问题是，所需的长文本后训练数据集通常需要人来标注，而人天然不擅长阅读长文本并给出足够的标注信息。长文本训练过程一般不采用 DPO 方法，因为 DPO 需要一个参考模型来约束模型输出，而参考模型本身往往并没有针对长文本优化，所以用于长文本场景时是不可靠的，可能会让模型走向错误的方向。
博客
ICLR‘25 | 大模型的长上下文自进化训练
05-18 232
目前，主流模型一般倾向于只使用非常少量的长文本数据来对齐模型（例如，LLaMA 3.1 的长文本后训练数据只有 1% 的比例）以适应实践中短文本占主流的场景，导致模型能力无法被很好地迁移到长文本场景中。上述长文本训练方法存在的问题是，所需的长文本后训练数据集通常需要人来标注，而人天然不擅长阅读长文本并给出足够的标注信息。长文本训练过程一般不采用 DPO 方法，因为 DPO 需要一个参考模型来约束模型输出，而参考模型本身往往并没有针对长文本优化，所以用于长文本场景时是不可靠的，可能会让模型走向错误的方向。
博客
ICLR‘25 | 大模型的长上下文自进化训练
05-18 231
目前，主流模型一般倾向于只使用非常少量的长文本数据来对齐模型（例如，LLaMA 3.1 的长文本后训练数据只有 1% 的比例）以适应实践中短文本占主流的场景，导致模型能力无法被很好地迁移到长文本场景中。上述长文本训练方法存在的问题是，所需的长文本后训练数据集通常需要人来标注，而人天然不擅长阅读长文本并给出足够的标注信息。长文本训练过程一般不采用 DPO 方法，因为 DPO 需要一个参考模型来约束模型输出，而参考模型本身往往并没有针对长文本优化，所以用于长文本场景时是不可靠的，可能会让模型走向错误的方向。
博客
ICLR‘25 | 大模型的长上下文自进化训练
05-18 204
目前，主流模型一般倾向于只使用非常少量的长文本数据来对齐模型（例如，LLaMA 3.1 的长文本后训练数据只有 1% 的比例）以适应实践中短文本占主流的场景，导致模型能力无法被很好地迁移到长文本场景中。上述长文本训练方法存在的问题是，所需的长文本后训练数据集通常需要人来标注，而人天然不擅长阅读长文本并给出足够的标注信息。长文本训练过程一般不采用 DPO 方法，因为 DPO 需要一个参考模型来约束模型输出，而参考模型本身往往并没有针对长文本优化，所以用于长文本场景时是不可靠的，可能会让模型走向错误的方向。
博客
ICLR‘25 | 大模型的长上下文自进化训练
05-18 151
目前，主流模型一般倾向于只使用非常少量的长文本数据来对齐模型（例如，LLaMA 3.1 的长文本后训练数据只有 1% 的比例）以适应实践中短文本占主流的场景，导致模型能力无法被很好地迁移到长文本场景中。上述长文本训练方法存在的问题是，所需的长文本后训练数据集通常需要人来标注，而人天然不擅长阅读长文本并给出足够的标注信息。长文本训练过程一般不采用 DPO 方法，因为 DPO 需要一个参考模型来约束模型输出，而参考模型本身往往并没有针对长文本优化，所以用于长文本场景时是不可靠的，可能会让模型走向错误的方向。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 300
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 287
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 254
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 241
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 235
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 245
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 227
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 153
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
ICLR‘25 | 真正「Deep」的「Research」，通过强化学习实现可自主进化的科研智能体来了！
05-16 3
4. 迭代反馈训练阶段：研究人员首先通过拒绝采样获取样本，通过 CycleReviewer 的打分构成偏好对，两个模型相互配合，通过强化学习的方式不断优化，CycleResearcher 根据 CycleReviewer 的反馈不断改进自身的论文生成策略，CycleReviewer 则根据 CycleResearcher 生成的论文不断提高自身的评审能力。然后，它会交替生成论文的大纲和正文，确保逻辑流畅。接下来，概述实验设置和结果，随后生成实验设计和模拟结果（注意，这里的实验结果是模拟的）。
博客
超越基准：迈向可泛化评估之路｜复旦大学曹艺馨老师开讲
05-15 533
AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。迄今为止，AI TIME已经邀请了2000多位海内外讲者，举办了逾700场活动，超800万人次观看。ICML 2025结果出炉｜一作讲者已开启招募，欢迎新老朋友来预讲会相聚！AI TIME欢迎每一位AI爱好者的加入！提出观点，表达想法，欢迎。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值