:http://convai.io/4. 机器学习轨迹挑战(Tra

简介: :http://convai.io/4. 机器学习轨迹挑战(Tracking Machine Learning Challenge)赛事概述:在 Kaggle

今年主办方共收到 21 个与大会相关、涉及到不同层面的数据驱动类比赛的相关提案,基于竞赛组织机构中高水平专家和研究人员的,最终接收了 8 个评分最高的比赛方案。

下图是被接收的 8 个比赛的时间节点和奖金,大家可以访问比赛详情页,了解更多关于比赛、日程安排以及如何参与的信息。

比赛的结果,以及主办方和竞赛优胜者的演讲将在 NIPS 2018 中历时两天的 Competition track day 进行。

接下来雷锋网 AI 研习社将为大家这 8 项赛事的相关信息。

1. 终生机器学习中的 AutoML(AutoML for Lifelong Machine Learning)赛事概述:在许多真实世界的机器学习应用中,由于开发人员的机器学习专业知识有限,所以这时候 AutoML 非常重要。

此外,许多真实世界应用中数据批次到来的时间间隔可能是每天、每周、每月或每年,而且数据分布随时间变化相对比较缓慢,这时候,AutoML 系统面临持续学习或终生机器学习的挑战。

在这场我们称之为「AutoML for Lifelong Machine Learning」的竞赛中,将从实际应用中收集的大规模数据集。

与以前的 AutoML 竞赛 (http://automl.chalearn.org/) 相比,本次比赛远离了更简单的 i.i.d. 案例,重点在概念漂移(drifting concepts)。

参赛者需要设计一个计算机程序,该程序能够自主地 (无需任何人工干预) 开发预测模型,并在终生机器学习环境中进行训练和评估。

:https://www.4paradigm.com/competition/nips20182. 对抗性视觉挑战(Adversarial Vision Challenge)赛事概述:这一挑战旨在促进鲁棒性机器视觉模型和更普适的对抗性攻击方法的发展。

这一特性揭示了人类和机器在信息处理方面的惊人差异,并引出了许多已部署的机器视觉系统 (如自动驾驶汽车) 的安全隐患。

:https://www.crowdai.org/challenges/adversarial-vision-challenge3. 对话智能挑战赛(The Conversational Intelligence Challenge 2,ConvAI2)赛事概述:目前很少有适合训练和评估非任务导向型对话系统(聊天机器人)模型的数据集,也没有评估这类模型的标准程序。

ConvAI 竞赛的目标是建立一个具体的场景来测试与人类交谈的聊天机器人,并使其成为标准的评估工具,以便直接比较这些系统。

:http://convai.io/4. 机器学习轨迹挑战(Tracking Machine Learning Challenge)赛事概述:在 Kaggle Higgs (https://www.kaggle.com/c/higgs-boson) 和 the flor of physics (https://www.kaggle.com/c/flours-of physics) 两项挑战赛中,要求参赛者利用数据科学技术提出推动科学进步的新颖想法。

粒子轨迹重建是 CERN 实验中数据处理的核心,极具挑战性。

:https://sites.google.com/site/trackmlparticle/5. Pommerman赛事概述: 训练一组智能体来玩 Bomberman,与其他队伍竞争。

:https://www.pommerman.com/6. 分布倾向性方面的挑战(InclusiveImages:A challenge of distributional skew, side information, and global inclusion)赛事概述:近年来,机器学习公平性和包容性的问题引起人们的高度关注,并在机器学习领域内迅速形成一个完整的研究领域。

特别地,该竞赛的重点是当训练图像的地理分布不能完全代表在测试或推理时的多样性时在地理倾向性(geographic skew)方面的挑战。

:https://sites.google.com/view/inclusiveimages/7. AI 驾驶奥林匹克赛(The AI Driving Olympics)赛事概述:机器学习 (ML)、深度学习和深度强化学习在最近的许多任务上成果斐然。

然而,尚不清楚这些方法能否取代传统的 embod 智能体。

这一比赛由 Duckietown Foundation 举办,旨在探索哪种方法最适合复杂的机器人系统中的各种任务和子任务。

:暂无8. AI 在假肢中的应用(AI for prosthetics)赛事概述:材料科学和设备技术的最新进展提升了人们对制肢以改善人类运动的兴趣。

在这一挑战中,我们探索使用强化学习技术来训练逼真的仿生机械模型,使其接近带有假肢的病人的运动模式。


以上是文章"

:http://convai.io/4. 机器学习轨迹挑战(Tra

"的内容,欢迎阅读石头游戏网的其它文章