各个向量之间的相关度_逻辑学线上工作坊:逻辑与向量空间成功举办

569c4e8a685407f8f0d45268e1a95b3d.png

2020年11月13日,由清华大学——阿姆斯特丹大学逻辑学联合研究中心组织的 “线上工作坊:逻辑与向量空间” 成功举办。向量空间是应用数学领域广泛使用的模型结构,而逻辑学是人们对数学模型进行推理的主要工具,这二者的结合将会进一步拓宽逻辑学的应用,同时能够采用逻辑学的工具帮助我们更好地理解向量空间模型的结构与性质。这次工作坊聚集了全球对这个主题有共同兴趣但观点各异的学者,一起开展交流与研讨,以推进逻辑方法对向量空间的研究、发展新的基于向量空间的逻辑系统等。与会报告者从不同的角度给出了他们对会议主题的理解,扩展了我们对相关问题思考的广度与深度。会上热烈的讨论氛围成功地激发了大家对相关主题的兴趣。这次工作坊有助于推动逻辑学在其他领域当中更为广泛的应用,同时也将逻辑学的研究方法带入各个领域当中。

586046307989d86109d6ce7189dcab50.png

会议首先由Johan van Benthem教授作题为“空间的逻辑,领域交叉的简史”的报告。van Benthem是清华大学金岳霖讲席教授,斯坦福大学 Henry Waldgrave Stuart教授,阿姆斯特丹大学荣休教授。其报告回溯了从古希腊时代到现代逻辑与向量空间发展的历史,展现了它们相互影响、共同发展的过程,同时提出了在相关领域亟待解决的许多开放问题。van Benthem教授的报告向提供了我们会议关心主题的宏大历史背景,为工作坊的顺利开展奠定了非常良好的基调。

d0289c13d4dd501f94473384c52d3de0.png

清华大学哲学系博士生董焕防带来了题为“自然语言处理中的向量模型综述”的报告。机器学习是目前研究的热门领域,而向量空间在其中被广泛地使用。董焕防针对机器学习领域最重要的分支之一——自然语言处理——当中所使用的向量空间模型进行了综述,加深了我们对自然语言处理领域的理解。如何将逻辑学的工具应用于机器学习领域是逻辑学家和机器学习研究者共同关心的前沿问题,董焕防的报告无疑为我们进一步思考相关问题提供了更好的知识背景。

187d846eff4b2b696f86c6f21273f2d0.png

慕尼黑大学逻辑与语言哲学系主任,慕尼黑数学哲学中心的联合主任Hannes Leitgeb教授带来了题为“向量模型的逻辑”的报告。在此次报告中, Leitgeb教授引入一种新的基于向量表达的逻辑系统。他给出此逻辑的语言、演绎系统,定义了语义的逻辑后承概念,并扩展到归纳逻辑和信念修正理论。此基于向量模型的逻辑允许概率和神经网络的解释,可用于解释认知心理学和计算语言学领域内著名的实例。

bee4a573b7d673267f3c6ca4118e70b0.png

清华大学物理系本科生叶凌远带来了题为“逻辑与向量空间中的对偶”的报告。对偶的概念在逻辑学和向量空间当中均颇为重要,叶凌远报告了这两种对偶概念之间的联系,提供了如何利用对偶这个概念将逻辑与向量空间模型相结合的方法论。同时,叶凌远也将此方法应用于逻辑与概率论的结合,展示了基于向量空间模型的逻辑所可能具有的应用价值。

2121b88a52874ed4d249eb84edd99e55.png

阿姆斯特丹大学逻辑、语言与计算研究中心助理教授Nick Bezhanishvili作了题为“探索向量空间的模态逻辑”的报告。Bezhanishvili教授从模态逻辑的角度探索了向量空间模型当中不同的空间关系如何采用模态的语言进行表达,并提出了几种不同的模态逻辑语言以刻画不同的空间关系。同时, Bezhanishvili教授也指出了此方向存在的一些开放问题,为之后进一步的研究工作提供了方向。

4a81ae861e99a3f56762f9dfe753b1d0.png

会议的最后一位报告人是美国诺特丹大学数学系教授 Anand Pillay,他报告的题目是“模型论中的类向量模型”。Pillay教授从模型论的角度阐释了向量空间模型在逻辑学研究当中所处的重要地位,同时从逻辑学角度提供了几种不同的看待向量空间和域的方式,向我们展示了模型论领域最前沿的思想方法,极大地加深了我们对逻辑和向量空间的理解。

a31f0e95d902acda9ef02f137bbad99f.png

在全球疫情爆发的困难时刻,来自各地的老师学生约80人通过线上的方式聚在一起,共同以开放的心态讨论交流学术问题。研讨会在热烈的线上讨论中落下帷幕。此次工作坊不仅推进了逻辑学前沿领域的研究,更助力形成了全球学者的共同体,推动了疫情时期的国际合作研究。 95f2f9940f341707846ea76b90f75ded.png dd84534a2d235f8f93e005ce08abf19a.png

c9752d67d39aff8eefa798cbfff243a5.png

38ba52efdd095c62ca32559d3d0190cd.png

关注我们,及时获取更多关于清华-阿姆斯特丹逻辑学联合研究中心的研究成果、科研教学活动、前沿问题研究进展及其他相关资讯

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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