轨迹编辑器

Kristian Kersting,德国多特蒙德大学

副主编

Artur d'Avila Garcez,英国伦敦城市大学
塔雷克·贝索尔德(Tarek Besold),意大利博赞博尔扎诺自由大学
Leon Bottou,脸书,纽约,美国
Ramananthan Guha,谷歌公司,美国山景城
Luis Lamb,UFRGS,巴西
Gary Marcus,美国纽约大学
Risto Miikkulainen,德克萨斯大学,奥斯汀,美国


轨道概述

深度神经网络最近在语言建模、计算机视觉和语音识别等任务中的成功吸引了工业界和学术界的极大兴趣。要更好地理解和广泛使用这些模型,需要使用知识表示和推理以及良好的机器学习方法和系统。

这一特殊轨道于2017年关闭,其目标是作为出版认知任务深度学习领先研究的基地,重点关注神经计算在需要知识表示和推理的高级人工智能任务中的应用。


目录

提升的关系神经网络:潜在关系结构的有效学习

古斯塔夫·苏雷克(Gustav Sourek)、Vojtech Aschenbrenner、菲利普·泽列兹尼(Filip Zelezny)、史蒂文·斯科卡特(Steven Schockaert)和昂德雷·库泽尔卡(Ondrej Kuzelka)

从噪声数据中学习解释性规则

理查德·埃文斯和爱德华·格雷芬斯特特

用于特征提取的卷积网络行为研究

达里奥·加西亚-加苏拉(Dario Garcia-Gasulla)、费兰·帕雷斯(Ferran Parés)、阿尔曼德·维拉塔(Armand Villata)、乔纳坦·莫雷诺(Jonatan Moreno)、爱德华·艾瓜德(Eduard Ayguadé)、杰苏斯·拉巴特(Jesús Labarta)、尤利斯·科尔特斯

缺少元素的多模序列中的符号接地关联

费德里科·劳厄(Federico Raue)、安德烈亚斯·登格尔(Andreas Dengel)、托马斯·布雷埃尔(Thomas M.Breuel)和马库斯·利维基(Marcus Liwicki)

序列对序列学习的目标双向递归神经网络协议

Lemao Liu、Andrew Finch、Masao Utiyama和Eiichiro Sumita