Hi，大家好~

临近期末，本学期的活动也迎来了最后一期

机器学习前沿研讨会

提到机器学习，你是否想起了

对抗攻击、强化学习、集成学习、表示学习

这么多细分的方向和领域？

想广泛涉猎却精力有限？

聆听大佬们的最新成果

或许是快速了解的最佳渠道

想去顶会听大佬们的论文汇报？

蒙特利尔、埃塞俄比亚太远

FIT楼也是个不错的选择

本期“计算未来轻沙龙”

我们集结邀请了来自旷视科技

和清华大学计算机系的各位大佬

为大家奉上一场机器学习前沿研讨会 

部分汇报论文来自NeurIPS 2019、ICLR 2020 

等机器学习顶会

并入选Spotlight论文

 岑宇阔 / 清华大学计算机系博士生

 李永波 / 旷视研究院Video组

李永波，2018年博士毕业于西安电子科技大学。研究领域包括图像视频处理、目标检测识别等，已发表多篇顶级国际会议和期刊。目前参与旷视科技视频结构化算法、人脸检测与识别算法的研究和开发，致力于人工智能算法在安防场景中的应用和提升。旷视科技2018年度最佳团队（MegTeam）成员。

 Object Detection：从算法到实用

物体检测是计算机视觉领域的经典问题。目前物体检测的整体框架已经比较成熟，但从算法到实际商用之间还存在很多挑战。这次分享将结合旷视在物体检测问题上的探索，从数据到算法再到应用分别展开，详细介绍新想法是如何诞生，并演变成为有意思的实用新技术。

 庞天宇 / 清华大学计算机系博士生 

庞天宇，清华大学计算机系直博三年级，导师为朱军教授。主要研究方向为提升深度学习模型的鲁棒性与可靠性。目前在ICML、NeurIPS、ICLR、CVPR上共发表9篇文章，其中有5篇为一作/共同一作。曾获国家奖学金、英伟达学术先锋奖。

 深度学习中的对抗鲁棒性研究 

尽管深度学习模型在各类任务上达到了很高的准确率，但是几乎所有标准的深度学习模型都存在对抗鲁棒性缺陷。这种缺陷导致了潜在的安全风险。本报告主要围绕如何提高模型鲁棒性展开介绍讨论。

 程书宇 / 清华大学计算机系博士生 

程书宇，清华大学计算机系二年级博士生，导师为朱军教授。

 Improving Black-box Adversarial Attacks with a Transfer-based Prior 

在对抗攻击任务中，我们考虑黑盒的设定，即攻击者不能完整访问到目标模型的架构和参数信息，故无法直接得到模型的输出关于输入的梯度。估计梯度的已有方法包括基于迁移的攻击和基于查询的攻击。为了提高梯度估计的质量，我们将迁移梯度作为先验引入基于查询的攻击，并通过理论推导得出最优的参数。新方法减少了攻击成功需要的查询数量。

 李佳维 / 清华大学计算机系博士生

李佳维，清华大学计算机系博士生，先后在香港理工大学、腾讯公司等机构参加深度学习及计算机视觉算法的研究，现在在腾讯公司AI LAB视觉组实习，参与虚拟人项目的研发。

 Ensemble Deep Learning 

在本次报告中，首先会介绍一个集成深度学习的框架。然后再分别介绍采样技术、模型训练技术、以及聚合方法，最后分享集成深度学习领域的一些最新进展、及实际的应用效果。

 李丽姗 / 清华大学计算机系博士生

李丽姗，清华大学计算机系博士生在读，主要研究方向为机器学习在计算机网络中的应用。目前在Globecom以及ACML等会议上发表多篇文章。

 在POI推荐任务中的多模式表示学习方法 

对于基于位置信息的社交网络而言，POI推荐是非常重要的研究问题。本报告介绍一种多模式表示学习方法，能够统一刻画POI的特征信息以及用户偏好。

 吴栋贤 / 清华大学计算机系博士生

吴栋贤，清华大学计算机系四年级直博生，导师为夏树涛教授。

 关于残差网络 (ResNet) 中跳线 (skip connection) 的安全思考 

跳线 (Skip Connections) 是当前主流神经网络中的重要组成部分，例如ResNet、DenseNet。虽然在模型设计上，跳线取得了巨大的成功，但它同时给模型安全带来了隐忧。我们发现，通过简单控制反向传播中流经跳线和卷积层的梯度流，可以显著提升对抗样本的迁移性，从而实现更有效的黑盒攻击。这项研究展现了由模型结构引发的安全问题，对模型结构的设计提出了挑战。同期论文已被录用为 ICLR 2020 的 spotlight。

 杨超 / 清华大学计算机系博士生

杨超，现为清华大学计算机系普博二年级学生，导师是孙富春教授，本系2018级硕士毕业生，主要研究方向强化学习，模仿学习以及在机器人上的应用。目前发表NeurIPS，AAAI，ICRA等会议/期刊4篇，担任ICRA2018-2020，IROS2017-2019，T-ASE 2019学术审稿人，2019年11月参加IROS2019机器人抓取与操作国际竞赛获得冠军。

 基于观测模仿的机器人学习方法 

本次报告主要介绍报告人2019年被NeurIPS录取的一篇论文《Imitation Learning from Observations by Minimizing Inverse Dynamics Disagreement》，这是国内单位在强化学习/模仿学习领域被该会议录取的唯一一篇亮点论文（Spotlight）。

报名时间：即日起至 12 月 28 日 24:00

活动时间：12 月 29 日（本周日）14:00 - 17:00

清华大学信息科学技术大楼（FIT楼）二层多功能报告厅， 请从 FIT 楼西门进入 

 1 / 报名方式 

长按识别二维码，马上抢占名额！

 2 / 活动名额 

1. 因场地有限，本次活动仅接受 120 位 用户凭电子门票二维码入场；

2. 活动采取审核制报名，我们将根据用户研究方向与当期主题的契合度进行筛选，通过审核的用户将收到包含电子门票二维码的短信通知；

3. 如您无法按时到场参与活动，请于活动开始前 24 小时在 PaperWeekly 微信公众号后台留言告知，留言格式为 放弃报名 + 报名电话 ；无故缺席者，将不再享有后续活动的报名资格。

PaperWeekly

清华大学计算机科学与技术系

????

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

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 立刻报名