干出版物,出于各种原因,通常不重视书写可读性,和年轻学者/学生难以理解的学术文献。不幸的是,很少有一直在努力帮助研究生和其他初级学者理解和使用这些科学数据的本质。这个演讲是基于假设和pilot-evidence综合开放数据资源的访问(ODR)学术刊物,包括演示视频、幻灯片,教程,算法源代码,或维基百科页面,在一个协作框架将显著提高学生理解论文本身的能力。为了实现这一目标,我提出一个新颖的学习/阅读环境,ODR-based协作PDF阅读器(OCPR),包含创新文本+异构图挖掘算法,可以:1)auto-characterize学生的新兴信息需要在他/她阅读一篇论文;2)个性化或communitize学生信息需求的基础上,计算用户配置文件,和3)使学生容易访问odr根据他们的需要和隐式或显式反馈的信息。
根据需要和各种各样的用户反馈的信息,该算法将产生并选择小说排名功能异构semi-supervised随机游走图以较低的成本和ODR的建议。实验表明,该系统可以有效地帮助研究生和学者更好地理解复杂的出版物在冷启动和背景丰富的环境中,和新颖的算法,例如,个性化的边缘类型有用性估计,可以推广到其他信息推荐/检索问题。

甚至相对简单的动物表现出非凡的组合的灵活性和鲁棒性的行为。本世纪大科学挑战之一是了解这种适应性行为源自生物的神经系统的动力相互作用,它的身体,它的环境。虽然详细的简化的分析个人的分子,细胞和有机体的生物系统的组件导致的财富数据和见解在生物学、互补的合成方法,重新集成这些组件到整体系统的理解一直缺乏。
我的研究旨在解决这一挑战通过构造和分析以实验为brain-body-environment系统的模型。在这次演讲中,我将介绍一种秀丽隐杆线虫作为一个方便的目标等综合brain-body-environment建模一个完整的动物。我将描述我的方法:使用人工进化来探索未知的空间所需的神经系统电生理参数生成等微生物的行为。我将重点发展和分析两个蠕虫的行为:空间方位和运动,他们的集成。我将展示这种方法使我们能够开始解决关键理论挑战,体现和动态的了解认知。

该项目旨在开发和实证测试一个新的测量模型基于量子概率理论,称为希尔伯特空间多维模型。模型提供了一个有前途的解决的问题所面临的复杂的数据违反联合分布的假设。引人注目的进步的现代数据采集方法,复杂和庞大的数据集生成从各种来源和背景在概念上连接(例如,大数据)。这承诺提供一个更好的理解复杂的社会和行为现象,但也提出了前所未有的挑战的集成和解释数据。当大型数据集来自不同的背景,他们常常可以通过应急总结表。假设有K表(Tk T1,…,…Tk),每个收集在一个不同的上下文K。还假设每个表Tk联合频率表是基于p变量的子集(Y1,…, Yp)。例如,这项研究可能涉及四个变量(Y1、Y2、Y3、Y4),但每个表可能包含四的只有两个,所以表T1可能是一个双向的频率表组成的两个变量(Y1, Y2),表T2可能是另一个双向表组成的两个变量(Y1, Y3),等等。一个关键的问题:如何集成和综合这些K表到一个压缩的,一致的,可判断的表现?
目前,一个常见的解决方案是,试图构建一个p-way联合概率分布繁殖频率数据中观察到K表。贝叶斯因果网络往往是用于减少估计参数的数量征收条件独立性假设。然而,不幸的是,在许多情况下,没有这种p-way联合分布存在可以再现观察表。这是因为数据表违反一致性约束要求的古典(柯尔莫哥洛夫)概率论,贝叶斯网络是建立在。研究由NSF资助之前积累了强有力的证据支持的违反通常认为古典联合概率思想复杂,更符合实际的数据。希尔伯特空间模型,我们这里提出,基于量子概率理论。它提供了一个有前途的解决方案违反联合分布假设的问题通过构造一个有限状态矢量位于低维希尔伯特空间,并形成一套non-commuting测量运营商代表p测量。这样,我们实现一个压缩,p变量的连贯,可判断的表示形式的复杂集合K表,即使在没有p-way联合分布
的存在。

每天数以亿计的照片被上传到互联网。他们一起提供了许多世界上的高分辨率图像,从自然景观全景详细视图的有人吃晚饭。这图片有潜力推动发现各种各样的学科,从环境监测到文化人类学。取得了重大研究进展自动从这些图像中提取信息。剩下的一个关键挑战是,我们常常不知道图像被捕,通常知之甚少其他相机的几何性质,如取向和焦距。换句话说,大多数不是geocalibrated图像。这个演讲概述我的工作使用新颖的线索,包括局部多云天,彩虹,和人类的面孔,geocalibrate互联网图像和视频

有一个机器学习领域的差距,之间的语言,用于描述和分享成功的想法,和用于执行它们的代码。虽然机器学习的语言让我们重用的一组概念,同样不能说的代码。例如,如果我们想要查询一个图像处理模型通过使用一种推理技术最初编写的一个语音识别模型,我们可能需要从头编写一个推理方法即使模型共享结构的相似之处。相反,我们希望小的观念转变导致比例小的代码更改,这是更到模块化编程的基础。

模块化是解耦的第一步
——代码描述模型
——描述推理方法的代码。
这种类型的模块化编程的直接结果是“生成的故事”的概率程序风格。第二步对模块化组成更大的模型与较小的(工作)模型,和类似的组合推理方法。
这个演讲将考虑在机器学习程序模块化测量生成的故事风格的编程和检查提供的工具模型和推理成分Hakaru,正在研制一种概率编程系统在印第安纳州。

指数分布随机图模型(ergm)已经成为一个标准的统计建模社交网络的工具。特别是ergm提供极大的灵活性为协变量影响系形成和内源性网络形成过程(例如,互惠和传递性)。然而,由于依赖蒙特卡罗马尔可夫链,很难适应ergm在大型网络(例如,成百上千的节点和边组成的网络)。介绍了一系列的(存在和新)方法估算ergm大型网络和比较了它们的优缺点。通过分析学校友谊网络选择方法进行了说明,等等。

概率推理过程通常编码煞费苦心地从头开始,对每个目标模型和推理算法。在这次演讲中,我将展示如何冒充推理过程程序转换的一个概率模型变换到另一个概率模型。这些转换允许我们表达精确和近似推理生成程序,并允许我们组成多个推理程序通过一个模型。由此产生的推理过程中运行
时间与一个手写的过程。

正式的符号像代数符号思维的强大的工具可以大大扩展我们的认知能力。然而,许多学生没有得到太多的使用除了沮丧。而
我们的许多推理工具有了显著的变化与电脑和数码用户界面的可用性,我们仍然主要使用纸和笔写方程。
几年前,我们的团队开始着手设计和实现一个数字的数学符号,灵感来自现代用户界面设计和指导下认知研究人们如何使用他们的视觉运动系统与正式的符号。从那时起,我们已经建立了一个基于网络的动态代数符号系统我们称为能理解的数学。,用户可以解决代数问题的一个子集更快和更准确地比在纸上,同时还通过所有转换步骤。
在我们的谈话中,我们将简要讨论研究和建筑背后的动机能理解的数学,演示系统,对其体系结构和分享一些细节和我们的软件开发策略。然后我们将讨论我们未来的计划和未来的一些挑战。

(检查我们的系统http://graspablemath.com)

搜索与不确定的环境资源分配涉及到过去的发现和进一步勘探开发之间的权衡。这延伸到信息觅食,深度阅读和学习之间的知识寻找者转变新域名。这个认知过程研究,我们检查阅读选择由现代最著名的科学家之一:查尔斯·达尔文。从书中列出他的时间顺序组织阅读期刊的全文,我们生成主题模型量化当地(text-to-text)和全球(text-to-past)阅读决定使用Kullback-Liebler分歧,cognitively-validated,信息理论测量相对惊喜。而不是surprise-minimization模式,对应于一个纯粹的开发策略,达尔文的行为从早期开发转移到后来勘探,寻找异常高水平的认知惊喜相对于以前的时代。这些变化,检测到一个无人监督的贝叶斯模型,与生涯的主要知识时代确定通过传统的定性和达尔文的self-commentary奖学金。除了量化达尔文的个体层面的觅食,我们的方法允许我们比较他的消费文本出版秩序。我们发现达尔文的消费比文化的生产勘探,这表明在渐进的社会变革是个人综合的探索和发现。我们定量方法促进认知的研究搜索一个测试框架之间的相互作用之间的个人和集体行为,短期和长期的消费选择。这部小说中的应用
主题建模描述个人阅读补充广泛研究集体科学行为。

纸预印:http://arxiv.org/abs/1509.07175

新兴技术揭示了许多特性的行为和大脑皮层微电路的结构。我们现在知道神经元活动率约为对数正态分布,突触连接是高度的非随机,包含在代表图案,中心,和重尾分布的突触效能和学位。最近自组织神经模型已经开始使用已知的稳态机制结合其他形式的神经可塑性来解释这些现象。然而,尽管这些模型考虑稳态几把大量的考虑如何达到体内平衡的设定值。They-therefore-largely忽略发育分化为大脑中的自组织的一个关键方面。下面的讨论提出了一种新颖的神经电路模型中单个设定值允许每个神经元的稳态机制自组织网络的兴奋性和抑制性突触生长。沿着同样的路线,网络没有预定义的突触连接,初始化必须成长,然后删除它的突触连接。从那里,网络自组织模块化/层次结构,峰会组织,和其他广泛的模拟生活品质的电路如他们的学位,多功能性突触效能,3-motif分布。网络也显示了一个最佳的能力符合结构的输入,得分高的措施模式分离或泛化这取决于任务的输入。结果表明,自组织的自我平衡的设置点在皮层模型可以复制大量的高度随机网络
特性已知存在于生活的神经回路。

了解一个人工代理可能代表、获取、更新和使用大量的知识一直是人工智能的重要研究的挑战。这个演讲探索知识的预测方法。预测知识没有人类干预的情况下能保持,因此收购可能规模可用数据和计算资源。不幸的是,技术挑战与数值不稳定,off-policy抽样下散度,计算复杂度的适用性和可伸缩性有限预测在实践中获取知识。
这个演讲描述了一种新的方法来代表和获取预测知识在一个机器人。价值函数的关键思想是,从强化学习,可以用来表示policy-contingent声明式和面向目标的预测知识。这个演讲探索的实用性和更新许多并行预测,同时代理与世界交互。我将演示我们的方法的适用性和可伸缩性的示范下的心理现象,制作和更新成千上万的预测从成千上万的多维数据样本,在实时和可伸缩性的robot-beyond相关预测方法。

在这次演讲中,我们强调动态过程之间的相互作用和网络的结构定义。我们开始通过检查不同的随机漫步的影响网络集群和节点的质量检测中心。我们介绍伞框架定义和描述动态过程为线性算子的合奏。我们表明,传统的拉普拉斯算子扩散框架和随机漫步这个框架是一个特例。进一步的推广将使我们能够流行在网络和信息扩散模型。
基于这一广义拉普拉斯算子的框架中,我们将演示如何线性变换的图可以表示不同的动态过程的流动网络。我们将展示如何应用这些转换的一些经验性的例子在现实问题的额外的数据是可用的网络结构的旁边。对于多个图表,导致更多的转换原则组成的多层网络。

与日益增长的担忧环境、经济、可持续发展,可再生能源和安全,越来越多的资源将被集成到未来的电网。然而,间歇性可再生能源如风能和太阳能的大规模集成创造明显的供需不平衡,因此危及电网的可靠性。战斗的可变性可再生发电、能源储存(如电池、抽水蓄能存储和压缩空气储能)和灵活的负载(例如,加热、通风和空调)建议在许多grid-wideservices应用。

在这个演讲,我将工作在智能控制的存储和灵活的加载renewable-integrated电网。首先,我将介绍一个aggregator-storage网格系统,提供服务的权力平衡。静态和动态存储(例如,存储在电动汽车)被认为是与广泛的存储特征被显式地建模。第二,为变电站维护阶段平衡,我建议智能控制的存储充放电平衡能量流动。第三,灵活的加载纳入能源管理,我建议联合优化供给,需求,存储在网格中对权力平衡。提高长期系统性能(如可靠性,福利,和成本效益),在每种情况下我提供高效集中算法具有较强的理论性能保证和分布式实现有限的信息交换要求。

社交媒体的出现有显著影响人们如何沟通和交际。青少年使用社交媒体来创造和维持社会关系与朋友和建立自己的声誉。研究表明,青少年比成人更活跃和参与社交媒体。然而,大多数这样的观察,已经通过有限的人种学或横截面数据分析。本文显示检测信息时代的可能性在用户配置文件中使用文本和面部识别方法,提出了一种比较研究27 k Instagram的青少年和成人。我们检查了如何以及为什么用户Instagram的年龄差距的行为可能会发生在社会认知的镜头,发展心理学和人机交互。我们提出两个假设——青少年数字原生代和社会互动的必要性——作为理解的理论框架的因素有助于解释行为的差异。我们演示的应用新方法显示明显的年龄差异以及具体化之前趋势的见解在社交媒体。我们的计算分析确定了小说后发现:(1)青少年比成人更少的照片后;(2)青少年移除更多基于照片的数量喜欢收到的照片; and (3) teens have less diverse photo content. Our analysis was also able to confirm prior ethnographic accounts that teens are more engaged in Liking and commenting, and express their emotions and social interests more than adults. We discussed theoretical and practical interpretations and implications as well as future research directions from the results.

我将讨论我的作品与音乐伴奏系统给生活和视频演示以及底层建模。

能机器人基于视觉感知理解人类活动?我们怎样才能使他们这样做?这个演讲讨论计算机视觉算法需要提供的活动程度情况感知机器人。机器人的活动必须认识到不仅包括简单的动作由用户在它前面,但也包括交互直接涉及机器人,如“一个人攻击机器人”。目标是获得可靠地处理此类视频在人类/机器人活动(通常显示重大ego-motion)和关联语义注释。视频从一个机器人的角度被称为第一人称(或自我中心)视频和我们复习方法所必需的。的谈话也对正在进行的机器人工作概述学习表示“可操作的”活动。

情绪分析,也称为意见挖掘,提取意见的任务/情绪从用户生成的文本,包括博客、对话,评论,等等。在这个演讲,我们调查情绪分析的特征选择方法。特别是我们解决两个问题:1)特征选择作为一种机制来降低高维特征向量通过识别特征,通常为二进制分类定义;我们将调查什么是最好的方法扩展到多设置。2)一个问题无处不在,但通常忽略的情感分析研究不平衡数据;我们将调查是否选中的功能是代表少数类,以及我们是否能够减轻扭曲的效果,更普遍的特性。

预计在不久的将来,每个房子有多个机器人:欢迎你回家,另一个洗你的碗,第三个折叠衣服。研究者和投资者都预计,人类和机器人将能够“共生共存”和协作;然而,研究人员还将研究是否以及如何我们通常看到的差异之间的个人和团体之间的相互作用在人类中会影响人机交互。
我将讨论我的研究,开始研究如何与团体互动的机器人在一个群际上下文可能不同于一对一的互动。我将完成通过讨论本研究未来的发展方向应该包含什么。总的来说,我们的目标是使人与机器人合作更有效,高效和愉快的。

构建human-in-the-loop智能系统,有效利用专家反馈学习强大的决策模型一直是人工智能的一个长期珍视的目标。然而,现代决策系统过于依赖理想的训练数据和
因此,任何不完美的数据将反映在最终的模型。至关重要,许多真实世界决定系统利用获得的大量专家知识等领域
机器人导航和个人医疗助理。
首先,在这个演讲,我将简略说明我们的算法,利用序贯决策系统的领域知识。虽然收购领域知识是很重要的,许多领域专家不是机器学习专家,不能定义大多数有用的反馈。理想的算法可以沟通专家,他们需要帮助。下半年的谈话中,我提出一个方法,通过积极征求专家反馈意见,交易系统的性能和工作之间所需的专家。我们展示经验更具表达性的贡献在传统学习方法的建议。

估计类比例是机器学习中最基本的任务之一然而,本研究的问题是令人惊讶的是在许多应用程序中打开。在这演讲我将讨论监督,semi-supervised和无监督方法这些估计问题,尤其关注semi-supervised技术只有积极和无标号数据是可用的。我们感兴趣的课之前估计的非参数技术。最近我们制定这个问题作为双组分混合物混合估计模型。然后显示估计的混合比例通常是不明确的,提出了规范形式获得任何分布模型可识别性,同时保持灵活性。从这个理论我们使用的见解,阐明优化类先验和表面提出了一个估计算法。的有效性的方法在单变量和多变量数据评估。最后,我希望展示一些有趣的结果估计问题在我们不知道的生物信息学真相。这是一个联合工作Shantanu Jain,玛莎白色,和迈克尔Trosset。

我们开发参数和非参数算法来估计两个组件的混合比例混合样本
混合物和一个样本的一个组件。这个问题发生在很多领域,在积极影响对二进制分类和无标号数据设置。参数设置中,组件是假定有一个斜正态分布。一般来说,问题是不明确的,在某种意义上,混合比例不识别。我们开发条件,导致可识别性。处理多维数据,我们对一维变换,降低了数据和保存混合比例。

主成分分析(PCA)是一种经典的降维方法,包括数据的投影到由领先的协方差矩阵的特征向量张成的子空间。可以使用此投影用于探索性或作为输入进行进一步的分析,例如回归。如果数据有数十亿的条目或多个,储蓄的计算和存储要求和操作设计矩阵的快速记忆是禁止的。最近,Nystrom和column-sampling方法出现在数值线性代数社区随机近似的大型矩阵的奇异值分解。然而,他们的效用为统计应用程序仍不清楚。我们比较这些理论上近似边界之间的距离感应子空间和所需的,但却是不可行的,PCA子空间。另外我们展示经验,通过模拟和实际数据的例子,逼近精度和计算复杂度的权衡。

社会机器人是机器人技术发展的主要领域之一,在日本,尤其是在日常使用的个人机器人领域。这个演讲将首先报告的当前状态的艺术在日本机器人技术,包括像毕宿五的商业化平台胡椒人形,Palro,帕罗seal-like机器人。我们将介绍我们的实验室的工作设计一个机器人原型“Mugbot”为例,说明一个社会机器人可以通过与社区的互动发展,以及如何使用机器人形状社区。Mugbot已经被儿童教育背景,并介绍几家制造商神仙DIY机器人平台。
生物:Seita小池百合子的信息学教授东京城市大学。他创立并指导设计实验室的信息。实验室的研究侧重于信息设计、社会机器人技术,教育和人机交互。工作多年后与NEC的个人机器人Papero,小池百合子博士开发了自己的社交机器人原型,Mugbot,在2012年赢得了四个蓝丝带创造者大会奖项。小池百合子博士获得了博士学位1986年千叶大学的工业设计。

环境监测领域,经常遭受缺乏重大和详尽的输入数据。另一方面,公众的数量由用户生成的内容或传感器网络可用现在达到前所未有的数量。这个庞大的数据集合包含了大量的潜在的知识,可以用来改善环境模型。特别是,计算机视觉技术可以应用于视觉数据,为了提取相关的环境信息。例如,估计在山区积雪,也就是说,地球表面被雪覆盖的空间范围,是一种有效的环境监测和水管理的重要挑战。公开的视觉内容,用户生成的照片和图像提要的形式从户外摄像头,可以作为额外的测量杠杆的来源,补充现有的地面,卫星和机载传感器数据。SnowWatch平台实现了两个内容采集和处理管道根据这样的来源,解决具体的每个人带来的挑战,例如,识别山峰,过滤掉在恶劣天气条件下拍摄的图像,处理不同的照明条件下,和一个像素分类如雪或non-snow区域。最终结果总结在积雪指数,这表明一个特定的山和天,可见区域的分数被雪覆盖,可能在不同的海拔高度。喂养积雪索引来真正的环境模型揭示了环境产生数据的一致性和效用。

Isomap、局部线性嵌入(米歇尔)和拉普拉斯算子Eigenmaps最初提升为非线性降维技术。努力开发流形学习理论都假定数据在低维流形,流形学习的目标是识别这些集合管。我认为这个目标在概念上不同于非线性降维的目的。例如,黑森eigenmaps可以(理论上)参数化Isomap不能恢复,但Isomap可以构造低维黎曼流形的躲避黑森eigenmaps欧几里得表示。

计算效率之间的平衡和样本在强化学习效率是一个重要的目标。时间不同学习算法随机更新值函数,用一个线性时间复杂度的特性,而最小二乘时间差分算法有效样本的数量,但可以二次特性。在这次演讲中,我将讨论最近的进展的目标更好的平衡计算和样本效率的一个新类使用增量矩阵近似的算法。

统计关系学习(SRL)模型结合概率论的强大的形式和一阶逻辑handleuncertainty大型,复杂的问题。时提供一种非常有效的表示模式由于其简洁和参数共享、高效学习在这些模型是一个重要的问题。首先,我将讨论先进的学习方法
基于提高表示独立。我们的结果表明,学习多个弱模型会导致戏剧性的改善精度和效率。

SRL模型的最关键的一个有吸引力的特性是它们的建模域使用丰富的表示可能允许车缝人工交互。然而,在当前生存研究实验室的研究中,人类被限制为仅被贴标签机或oracle提供整个模型。我将我们最近的工作,允许更合理的人机交互,人力投入被认为是“建议”和学习算法结合了这个建议和数据。最后,我将讨论我们的工作用人SRL模型实现跨看似无关的领域转移允许更有效的学习资料难得域。