<mark id="oztn4"></mark>
0
| 本文作者： 叢末 | 2019-05-22 11:56 |
雷鋒網 AI 科技評論按：5 月 15 日下午，由鵬城實驗室和 AI 青年科學家聯盟·梧桐匯攜手打造的第一期「AI 科學家」系列沙龍活動在深圳鵬城實驗室圓滿召開，本次活動主題為《人工智能在學術領域的前沿研究》，邀請的嘉賓陣容包括上海交通大學高級金融學院金融學教授李祥林以及上海交通大學教授、「吳文俊人工智能博士班」班主任盧策吾，來自于金融系和計算機系的兩位頂尖教授，在現場向與會者分享了 AI 在各自學術領域的前沿研究。
本次活動由氪信科技創始人& CEO、青年 AI 科學家聯盟（創始）執行理事朱明杰博士主持。在嘉賓分享前，他先邀請了鵬城實驗室常務副主任鄒鵬做開場致詞。
鵬城實驗室常務副主任鄒鵬
開場致辭中，鄒鵬副主任簡單介紹了今年剛滿一周歲的鵬城實驗室。他提到，鵬城實驗室的基本定位便是實現粵港澳大灣區在信息、人工智能以及金融等相關基礎研究上的互動交流，也正是立足于這一基本定位，在這一年的時間里，鵬城實驗室成長得非常快。
而其中，人脈與人才資源則是研究人員做出學術成果的基礎條件之一。因此，鄒鵬副主任對于圍繞人工智能和金融，以鵬城實驗室和 AI 青年科學家聯盟為背景的系列活動充滿了期待，他表示：「我們期待本次活動會是一個很好的開始，也希望大家能夠關注、了解并參與鵬城實驗室，共同將這些基礎學科的研究工作深度地開展下去。」
嘉賓正式分享之前，朱明杰博士首先向大家介紹了 AI 青年科學家聯盟·梧桐匯所承擔的角色：連接產學研各界人士，起到一個「連接器」的作用；同時更要借助加入聯盟的首批成員中諸多互聯網與科技巨頭、領軍人工智能技術公司和知名專家學者的朋友圈和更具擴散力的網絡力量，來促進各類主體資源共享。
氪信科技創始人& CEO、青年 AI 科學家聯盟（創始）執行理事朱明杰博士
他表示，聯盟中的成員此前無論是在科研還是在創業過程中，都走過了很多彎路，但同時更積累了大量的經驗，因而對于未來年輕一代的科學家以及該領域的創業者來說，這個聯盟能給予他們不僅僅是一個更具擴散力的朋友圈，還有學術上的一些政策扶持乃至于未來方向道路的指引。
隨后上場分享的嘉賓是上海交通大學高級金融學院金融學教授李祥林，他的報告主題是「投資中的金融科技應用」，主要就金融機構目前所面臨的挑戰、金融科技能夠改變未來金融行業、傳統方法和大數據方法的比較幾個方面進行了分享。
李祥林，上海交通大學高級金融學院金融學教授，擁有加拿大滑鐵盧大學統計學博士學位，以及精算、工商管理和經濟學碩士學位和數學學士學位，是中國金融研究院副院長, 金融碩士項目聯席主任，加入高金之前，李教授在中外一流金融機構工作二十余年，在風險管理、金融新產品開發和研究、資產管理、保險和信息技術等領域有豐富的高級管理經驗，曾擔任中國國際金融有限公司首席風險官。作為信用衍生產品早期開拓者之一, 其發明的信用組合定價公式被市場廣泛使用和學術界認可。
演講伊始，李祥林教授非常謙虛地自我調侃道：「你們可能還沒有聽說過 60 年代的人還在做 AI，今天的分享嘉賓中數我歲數最大，我自然講不了 AI 技術，那就給大家講講故事。」
他提到，目前金融機構面臨的挑戰來自四面八方，主要包括：一是逐漸成熟的金融行業需要逐漸適應在互聯網時代長大的年輕一代消費者的喜愛問題；二是行業迎來更加嚴格的監管環境：各種監管管轄權的不同監管要求；三是面臨長期并可能會持續的低利息和低投資收益率環境；四是面臨來自包括運用更具有預測性的科學/大數據或區塊鏈技術的新型科技金融公司等在內的另類金融服務提供商的競爭。
針對金融科技能夠改變未來金融行業，李祥林教授認為答案是肯定的，并且這種改變正在發生中。「例如目前在金融行業應用的語音識別、圖像識別技術在準確率方面都日益提高，當準確率都達到一個相當程度的比例時，金融行業勢必將發生非常大的改變。」
分享最后，李祥林教授還總結了其使用大數據思維對傳統金融方法所進行的一些思考：
首先，傳統的金融方法往往是計算期望值來預測收益率、用方差來衡量風險，然而大數據思維中并不需要這樣做，完全可以使用全部分布的方法來研究單一證券收益信息。
其次，在計算不同的證券收益關系時，大家傳統使用的都是線性相關技術，而大數據思維下，使用非線性相關（auto encoder）技術，能夠研究所有證券的相關關系。
最后是優化目標問題。大數據思維下，可以基于傳統使用的均值方差方法計算左右尾部概率，通過優化左右尾部的概率問題來從整體上實現投資方案的最大優化。
上海交通大學教授、「吳文俊人工智能博士班」班主任盧策吾作為最后的壓軸嘉賓，本次帶來了主題為「基于知識驅動的視覺行為理解」的報告，本次他主要介紹了計算機視覺中的行為檢測目前所面臨的挑戰，并分享了其研究團隊的最新成果——HAKE（Hmuan Activity Knowledge Engine，人類行為知識引擎）。
盧策吾，上海交通大學教授、「吳文俊人工智能博士班」班主任，2016 年入選國家青年，2018 年被《麻省理工科技評論》評選為 35 位 35 歲以下科技先鋒（MITTR35），同年入選「科學中國人杰出青年科學家」，青年 AI 科學家聯盟（創始）執行理事。回國前盧教授為斯坦福大學人工智能實驗室博士后（導師：李飛飛，LeoGuibas）。
首先，盧策吾教授表示，計算機視覺主要是研究人類的視覺，主要包括兩個部分：一個是物體，物體是構成整個世界的基礎；二是行為，這是基本視覺最重要的部分。從學術紅利的角度來看，物體方面的研究紅利不是很大，而行為方面的研究空間則比較大，因為深度學習目前還無法很好地解決行為方面的問題，因而這個方向還有很長的一段路要走。
對此，盧策吾教授進一步解釋道，深度學習之所以還無法解決行為問題，主要有兩個原因：一個是語義噪聲特別大，深度學習難以在非常多噪音的情況下提取有用的信息；另一個是長尾問題，由于行為檢測屬于天然范圍內的不可知問題，無法找到更多的數據來解決這一問題，因此相對于物體檢測的長尾問題，行為檢測的長尾要嚴重得多。
基于此，盧策吾教授領導團隊提出了 HAKE，可用來解決目前行為檢測研究上所面臨的問題：
首先，這種方法能夠將每個物體的姿態和行為直接用知識表示出來，比如說一張運動員在踢足球的照片，HAKE 就可以將「他的頭部在干什么」、「他的腳在干什么」這樣的信息表示出來，研究者就能夠通過收集更多的行為數據來提高行為檢測的正確率。
其次，在語音噪聲方面，由于人體每個部位的行為情況都是有限的，因此可以通過使用 HAKE 給每個人的某個部位的行為打上標注并做分類的方法，從而能夠將行為檢測問題轉化為行為向量問題，來直接降低語音噪聲對行為數據的影響。
同時針對行為向量，實際上在做人類行為理解時，人類并不都是在進行跑或者跳的行為，往往更多的是在進行一些無法叫上名字的行為。而 HAKE 將圖片上的部位變成稀疏的點，從空間上來分析這個問題。比如說，針對一張人與人之間 Kiss 的照片與一張小孩與小狗 Kiss 的照片，通過對二張照片上人/狗形成的稀疏點做映射，來進行比對點之間的空間距離，在結合對人/狗的判斷來判斷照片中的行為。
HAKE 基于現有的行為數據集，能夠提供人類示例行為標簽以及相關身體部位的部分行為標簽（Part States），可以極大提高人類行為檢測性能。雷鋒網 AI 科技評論獲悉，該項目不久后將進行開源供廣大研究者使用。 雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
