「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为,单向地输出知识并不是一个最好的方式,而有效地反馈和交流可能会让知识的传播更加有意义,从而产生更大的价值。
本期 AI Drive,我们邀请到上海交通大学博士生任洁和本科生李明杰,为大家在线解读其发表于 ICML 2021 的最新工作:Graph Structure Estimation Neural Networks。对本期主题感兴趣的小伙伴,7 月 22 日(周四)晚 7 点,我们准时相约 PaperWeekly B 站直播间。
直播信息
在人工智能时代,深度学习已经在诸多方面有了广泛的应用,然而,神经网络黑盒本质使得人们难以理解这个复杂的系统。为了打开这一黑盒,目前,对神经网络的「解释」不仅需要在视觉概念的层面“实验观察”特征的语义,更需要“理论解释并建模”神经网络的表达能力,从而打通“直觉上的语义”与“数学建模表达能力”之间的壁垒。
基于此,本项研究提出了一种对神经网络中层“特征复杂度”的通用量化指标,这一方法能够将神经网络中层特征拆分成不同阶次的复杂度分量。通过对不同复杂度特征分量的可视化,人们可以更清晰地分析不同复杂度分量的语义;同时,本研究也提出了数学指标以分析不同复杂度分量的可靠性、有效性、以及过拟合程度。作为一种通用指标,本项研究也可以为深度学习中的一些经典方法提供全新角度的解释。
论文标题:
Interpreting and Disentangling Feature Components of Various Complexity from DNNs
论文链接:
https://arxiv.org/abs/2006.15920
本次分享的具体内容有:
背景介绍
问题建模:定义并拆分神经网络中层特征的复杂度
量化指标:定量分析不同复杂度的特征分量
探索实验:多角度实验探索神经网络的表达能力
工作总结:报告总结与未来展望
嘉宾介绍
任洁 / 上海交通大学博士生
任洁,上海交通大学一年级博士生,导师为张拳石教授。主要研究方向为计算机视觉、神经网络的可解释性等。目前已在 T-PAMI 期刊发表一篇论文,在 ICLR, ICML, ICCV 等顶会发表四篇论文。
李明杰 / 上海交通大学本科生
李明杰,本科毕业于上海交通大学,即将在上海交大计算机系攻读硕士学位,导师为张拳石教授。主要研究方向为计算机视觉、神经网路可解释性等。目前已在 ICML、ICLR 上发表过相关论文。
直播地址 & 交流群
本次直播将在 PaperWeekly B 站直播间进行,扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后,嘉宾还将在直播交流群内实时 QA,在 PaperWeekly 微信公众号后台回复「AI Drive」,即可获取入群通道。
B 站直播间:
https://live.bilibili.com/14884511
合作伙伴
????
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·