深度学习、案例推理和AutoML:
现在和未来的协同效应

车间概述

深度学习(DL)研究近年来已经取得显著进展,实现高绩效监督学习任务很多问题域。同时,仍有著名的挑战,如需要大量的标记的训练数据,解决综合问题结构化的解决方案(例如,设计、计划或时间表),和explainability。案例推理的推理是一种以知识为基础的方法集之前,具有互补的功能,如解决问题有较小的数据集或者需要结构化的解决方案,并生成具体的解释——和局限性。AutoML关注流程自动生成end-to-end-machine学习(例如,DL)管道,和可以使用的技术,从之前的情况下构建管道(成功的管道组件)。这个工作坊将汇集研究人员感兴趣的DL, CBR, AutoML识别新的机会和有益的策略整合这些方法应对当前挑战。

我们这个研讨会的目标是集合成员的DL, CBR,和AutoML社区为利用案例推理方法来识别新的机会推进深度学习和DL推动CBR、识别机遇和挑战利用CBR AutoML,检查相关的努力从所有三个分区,为推进开发方法集成。研讨会将包括大量讨论组件。

潜在的次要的内容包括,但不限于:

• 集成CBR和DL的新理论方法
• 方法利用CBR指导problem-appropriate DL架构的选择和指导的合成DL架构
• 使用案例周期作为框架,或将它们与其它技术结合DL组件
• 添加解决方案适应过程深度学习
• CBL-DL集成:
  • Few-shot学习
  • 生成结构化的解决方案
  • 减少训练网络的大小
• 开发一个CBR-inspired DL管道
• CBR支持AutoML
• 演讲的结果对现有集成
• 讨论挑战问题DL、CBR或AutoML

为进一步讨论这些话题,看到的将案例推理方法深入学习。

议程

注意:在蒙特利尔列出时间(UTC-4)

10点- 10.20		欢迎
10:20-11:05		纸会话我双系统DeepCBR:动物园深度学习和案例推理解释和数据增加配对。 Eoin肯尼·马克·基恩Eoin德莱尼,穆罕默德Temraz德里克。格林,巴里·史密斯http://arxiv.org/abs/2104.14461 应用案例不同启发式学习适应性从深层网络特性。 Xiaomeng你们,紫薇赵大卫·Leake Xizi王,大卫•克兰德尔https://arxiv.org/abs/2107.07095
11:05-11:35		位置和讨论我:DL推进CBR:机遇和挑战Kerstin巴赫、挪威和斯图尔特宏伟,罗伯特戈登大学
11:35-12:00		打破
12:00-12:45		论文第二会话了解机器学习改进的相似性评估面向流程的案例推理。 马克西米利安霍夫曼和拉尔夫·伯格曼https://arxiv.org/abs/2106.15931 可说明的乳腺图像分类使用Cased-Based推理和深入学习。 Alina J巴内特,信用Schwartz超凡道,超凡陈,Yinhao任,约瑟夫·Y Lo,辛西娅·鲁丁https://arxiv.org/abs/2107.05605
12:45-13:15		位置和讨论二:CBR推进DL:机遇和挑战莱斯利·史密斯、海军和罗西娜韦伯,德雷塞尔大学
13:15-13:35		位置和讨论III: CBR推进AML:机遇和挑战奇怪的埃里克·甘德森,巴克
13:35-14:00		关闭讨论:下一个步骤
12点	打破

接受的论文

双系统DeepCBR:动物园深度学习和案例推理解释和数据增加配对

马克·T·基恩Eoin M肯尼,穆罕默德Temraz德里克。格林,巴里·史密斯

最近,它已经被提出,卓有成效的深度学习之间可能存在的协同效应(DL)和基于案例的推理(CBR);有见解,通过应用CBR DL思想问题(可以称之为DeepCBR)。在本文中,我们报告一个程序的研究,应用CBR解决的问题可辩解的AI在DL(新品)。我们描述的一系列twin-systems配对不透明的DL模型与透明的CBR模型,允许后者用事实来解释前,反事实的和semi-factual解释策略。这双晶显示功能抽象DL(如功能权重、功能重要性和决策边界)可以用来驱动这些解释性的解决方案。我们也提高的前景,本研究也适用于数据增加DL的问题,凸显出这些DeepCBR想法的繁殖力。

http://arxiv.org/abs/2104.14461

应用案例不同启发式学习适应性从深层网络特性

Xiaomeng你们,紫薇赵大卫·Leake Xizi王,大卫•克兰德尔

不同启发式(CDH)方法是knowledge-light方法学习适应知识从案件的案例推理系统。给定一条情况下,鼎晖方法属性的差异他们解决他们所解决的问题的差异,并生成适应规则案例检索时相应地调整解决方案和新的查询差异也有类似的问题。作为替代学习适应规则,一些研究人员应用神经网络学习预测解决方案区别问题的差异。以前的工作在这种方法假定描述问题是预定义的特性集。探讨两阶段过程结合深度学习的特征提取和基于神经网络的适应学习提取特征。它的性能是在回归的任务在一个图像数据:预测年龄一脸的形象。结果表明,该组合过程可以成功地学习适应知识适用于nonsymbolic差异情况。CBR系统的整体性能达到略低于基线深网络回归量,但更好的性能比基线小说查询。

https://arxiv.org/abs/2107.07095

了解机器学习改进的相似性评估面向流程的案例推理

马克西米利安霍夫曼,拉尔夫伯格曼

目前,深度学习(DL)组件在案例推理(CBR)应用程序通常缺乏可用的领域知识的综合集成。这一趋势在机器学习对所谓明智的机器学习可以帮助克服这个限制。因此在本文中,我们调查的潜力将领域知识集成到图(卫星系统)进行神经网络用于在面向流程的CBR应用程序语义图之间的相似度评估。我们整合知识在两个方面:首先,一个特殊的数据表示和处理方法,编码结构知识的语义标注每个图的节点和边。其次,消息传递组件的卫星系统是受到法律知识节点进行映射。的评估检查质量和培训时间延长卫星系统,进行股票相比模型。结果表明,这两个扩展能够提供更好的质量、更短的培训时间,或者在某些配置两种优势。

https://arxiv.org/abs/2106.15931

可说明的乳腺图像分类使用Cased-Based推理和深入学习

Alina玉巴内特,信用Regina施瓦茨超凡道,超凡陈,Yinhao任,约瑟夫·y . Lo辛西娅·鲁丁

当我们部署的机器学习模型在高风险的医疗环境中,我们必须确保这些模型做出准确的预测,符合已知的医学科学。本质上可判断的网络解决这个问题需要解释每一个决策背后的基本原理,同时保持等于或比黑盒模型精度高。在这项工作中,我们提出一个新颖的解释的神经网络算法,利用案例推理进行乳房x光检查。旨在帮助放射科医生在他们的决定,我们的网络提出了一个预测恶性肿瘤和预测使用已知的医学特性的一个解释。为了产生有用的解释,网络是为了模仿放射科医生的推理过程:我们的网络第一次检测的临床相关的语义特征图像通过比较每一个新的图像学的典型的图像部分从训练图像,然后使用这些临床特征预测恶性肿瘤。与其他方法相比,我们的模型检测的临床特征与平等(质量保证金)或更高的精度,提供了一个更详细的解释它的预测,并能更好的区分classification-relevant地区的形象。

https://arxiv.org/abs/2107.05605

组织者

组织委员会

项目委员会

重要的日子

• 摘要提交截止日期:2021年5月7日
• 论文提交的最后期限(长、短和意见书):5月11日,2021年(扩展)
• 通知日期:2021年5月25日
• 研讨会日期:星期五,2021年8月20日

---