多位大牛齊聚AI Time，論道自動機器學習與可解釋機器學習

科技 06-16

本文轉載自學術頭條

量子位編輯 | 公眾號 QbitAI

深度學習在各個領域取得了驕人的成績，基本是捨我其誰了。

之前還存在如何調參、如何選架構的問題，最近隨著自動機器學習（AutoML）的快速發展，Neural architecture search（NAS）似乎都可以做到自動選擇深度學習架構，Hyperparameter優化可以幫助做到自動超參數的選擇，機器學習變得越來越傻瓜，容易上手，原來的偽「end-to-end」好像真的要轉正了。

壞處是原來的BlackBox變得越來越大，因此近年，更多研究者呼籲我們需要可解釋機器學習（Explainable ML）。

「No Free Lunch」，工業界有時候顯然希望ML變成工具，越簡單越好，只要效果好就行。但更多的時候，我們需要的是「知其然，也知其所以然」，甚至有些研究人員都開始懷念決策樹等解釋性非常強的模型。

我們是要強大的「黑盒子」還是要「可理解」的機器學習？

AI Time第2期活動，我們邀請了四位大牛：美國伊利諾伊大學芝加哥分校(UIC)特聘教授Philip Yu、美國密歇根大學Qiaozhu Mei教授、北京大學的王立威教授、百度高級研究員李興建，共同論道自動機器學習與可解釋機器學習。

也邀請感興趣的小夥伴到現場發表見解，與大咖們共話AI；無法到現場的朋友，也可以通過線上直播圍觀（報名方式見文末）。

嘉賓介紹

Philip S. Yu (俞士綸)

美國伊利諾伊大學芝加哥分校(UIC)特聘主任教授、ACM/IEEE Fellow、原IEEE TKDE、ACM TKDD主編。曾就職美國IBM Watson研究中心，創建了世界知名的數據挖掘及數據管理部。曾獲得IEEE技術成就獎、數據挖掘領域最高獎SIGKDD Innovation Award。

Qiaozhu Mei

密歇根大學信息學院與計算機系終身副教授，SIGIR 2018的大會聯合主席。主要研究方向涵蓋大規模數據挖掘，自然語言處理，機器學習及其在社交網路，金融，醫療大數據上的應用。代表性工作包括LINE，情感分析。其論文多次獲得國際頂級會議（ICML、WSDM、WWW）的最佳論文獎。

王立威

北京大學信息科學技術學院教授。主要從事機器學習理論研究，在機器學習國際權威期刊會議發表高水平論文100餘篇。擔任機器學習與計算機視覺頂級期刊IEEE TPAMI編委。多次擔任國際機器學習旗艦會議NIPS與ICML領域主席。入選AI』s 10 to Watch，獲得首屆國家自然科學基金優秀青年基金。