V
主页
实现AI系统的组合泛化(包括组件分解思想在diffusion等生成模型的应用) - Shuang Li
发布人
Shuang Li - Enabling Compositional Generalization of AI Systems 摘要: 人类智力的一个重要方面是,能够从更简单的想法组成越来越复杂的概念,从而能够快速学习和适应知识。 尽管性能令人印象深刻,但目前的人工智能系统在这一领域存在不足,往往无法解决其训练分布之外的任务。 我的研究旨在通过将组合性融入深度神经网络来弥合这一差距,从而增强它们概括和解决新的和复杂任务的能力,例如根据复杂的规范生成2D图像和3D资源,或使类人代理能够执行各种家务活动。 这项工作的影响是深远的,因为合成性在生物、机器人和艺术创作等领域有许多应用。 通过显著提高人工智能系统的可组合性能力,本研究将为不同研究领域中更高效、更强大的模型铺平道路。 Abstract: A vital aspect of human intelligence is the ability to compose increasingly complex concepts out of simpler ideas, enabling both rapid learning and adaptation of knowledge. Despite their impressive performance, current AI systems fall short in this area and are often unable to solve tasks that fall outside of their training distribution. My research aims to bridge this gap by incorporating compositionality into deep neural networks, thereby enhancing their ability to generalize and solve novel and complex tasks, such as generating 2D images and 3D assets based on complicated specifications, or enabling humanoid agents to perform a diverse range of household activities. The implications of this work are far-reaching, as compositionality has numerous applications across fields such as biology, robotics, and art production. By significantly improving the compositionality ability of AI systems, this research will pave the way for more data-efficient and powerful models in different research areas. 简介: Shuang Li 是麻省理工学院的博士生,他的顾问是安东尼奥·托拉尔巴。她对开发人工智能系统感兴趣,这些系统适用于广泛的新任务,并不断从环境中学习。她的研究探索了将组合性融入深度学习模型的方法,从而产生了解决更具挑战性的新任务的更强的概括能力。 她的研究涉及生成建模、体现人工智能和视觉语言理解。她是Meta Research Fellowship, Adobe Research Fellowship, MIT Seneff-Zue CS Fellowship,EECS Rising Star, ICML Outstanding Reviewer以及NeurIPS研讨会最佳和杰出论文奖的获得者。
打开封面
下载高清视频
观看高清视频
视频下载器
diffusion生成模型的最优控制视角
从去噪扩散模型到扩散薛定谔桥(Schrodinger bridges)-应用
【从0到1学人工智能】吹爆!【整整500集】2024年B站最好最全的人工智能基础课程,清华大佬带你恶补AI专业知识!—人工智能基础速成 | 机器学习教程 | 深
基于薛定谔桥的生成模型 Generative Modeling via Schrodinger Bridge with Prof. Huyen Pham
扩散模型应用于医学 - 磁共振扩散成像(MRI)去噪扩散模型的研究
Diffusion and Score-Based Generative Models
深度生成模型系列-4.2 分数匹配与扩散模型 Score-matching & Diffusion Generative Models.
An Introduction to Score Based Generative Models 基于分数的生成模型入门
流形假设下去噪扩散模型的收敛
Score-based Generative Modeling of Graphs via the System of SDE
搞科研论文看不懂怎么办?
生成模型和比较成像:软扩散模型(Soft Diffusion)和从损坏的数据中学习 Giannis Daras
学习等变能量模型(EBM)通过等变斯坦变分梯度下降
因果学习与深度学习 2.2 Neural causal discovery
分层分枝扩散模型 Hierarchically branched diffusion models
基于正向-后向SDEs理论的薛定谔桥(Schrödinger Bridge)似然训练
GenPhys:从物理过程到生成模型 From Physical Processes to Generative Models | Ziming Liu
Diffusion models as plug-and-play priors 作为即插即用先验的扩散模型
神经常微分方程入门- Neural Ordinary Differential Equations
最伟大的算法当属快速傅里叶变换!图文详解,可视化演示,一目了然!—傅里叶变化、直方图、人工智能、机器学习
Kartik Ahuja - 当不变性原理遇到信息瓶颈 - 用于解决分布外(OOD)泛化
神经微分方程综述
深度生成模型系列-2.3 Normalizing flows标准化流
深度生成模型系列-4.1 分数匹配与扩散模型 Score-matching & Diffusion Generative Models.
通过图曲率理解图神经网络瓶颈和过度挤压问题 Understanding Over-Squashing and Bottlenecks via Curvature
人生苦短,我用知识图谱!国内顶尖学府北大强推的【知识图谱导论】教程分享!博导花半天教你掌握人工智能必备知识图谱课程!_人工智能/机器学习/神经网络/知识图谱
Diffusion Schrodinger Bridge 原理+论文讲解
因果表征学习 Causal Representation Learning Workshop @ UAI 2022
【全198集】不愧是吴恩达!一口气讲完CNN、RNN、GAN、GNN、DQN、Transformer、LSTM等深度学习神经网络算法,简直不要太爽!
【李宏毅】2024年公认最好的【LLM大模型】教程!大模型入门到进阶,一套全解决!2024生成式人工智慧-附带课件代码
深度生成模型系列-1.2 变分自编码器的原理
深度生成模型系列-3.3 Early energy-based models 早期能量模型 —Hopfield networks
弱监督学习与因果表征学习
面向图结构数据的机器学习(图机器学习与最优传输)
火遍油管!大神把【马尔科夫链】给做成动画了!一步一步动画深入理解原理,从模型理论到核心概念 (附讲解视频+资料)-机器学习算法、马尔科夫链、随机过程
深度生成模型系列-1.1 变分自编码器的原理
【Stable Diffusion】全网最详细的AI真人动画无闪烁动画制作(附插件安装包)SD零基础手把手教学,保姆级AI绘画不闪超稳定动画教程!
2024智源大会 零一万物CEO李开复 圆桌讨论
深度生成模型系列-2.4 Normalizing flows标准化流
物理学启发的图神经网络学习 Physics inspired learning on graphs