雷鋒網(wǎng) AI 研習社按，第二屆 NIPS Competitions 競賽相關資料日前正式公布啦。今年主辦方共收到 21 個與大會相關、涉及到不同層面的數(shù)據(jù)驅(qū)動類比賽的相關提案，基于競賽組織機構中高水平專家和研究人員的審查，最終接收了 8 個評分最高的比賽方案。對競賽的評估是基于數(shù)據(jù)質(zhì)量、問題的趣味、影響力、對新模型設計的促進程度以及計劃和管理是否適當。（第四范式憑借贊助和舉辦 AutoML for Lifelong Machine Learning 比賽，在雷鋒網(wǎng)學術頻道 AI 科技評論旗下數(shù)據(jù)庫項目「AI 影響因子」中增加 8 分。）

下圖是被接收的 8 個比賽的時間節(jié)點和獎金，大家可以訪問比賽詳情頁，了解更多關于比賽、日程安排以及如何參與的信息。比賽的結(jié)果，以及主辦方和競賽優(yōu)勝者的演講將在 NIPS 2018 中歷時兩天的 Competition track day 進行。目前已有三項比賽啟動——ConvAI2，Pommerman，AI for prosthetics，大家可以即刻參加！

接下來雷鋒網(wǎng) AI 研習社將為大家提供這 8 項賽事的相關信息。

1. 終生機器學習中的 AutoML（AutoML for Lifelong Machine Learning）

賽事概述：在許多真實世界的機器學習應用中，由于開發(fā)人員的機器學習專業(yè)知識有限，所以這時候 AutoML 非常重要。此外，許多真實世界應用中數(shù)據(jù)批次到來的時間間隔可能是每天、每周、每月或每年，而且數(shù)據(jù)分布隨時間變化相對比較緩慢，這時候，AutoML 系統(tǒng)面臨持續(xù)學習或終生機器學習的挑戰(zhàn)。

典型的問題包括客戶關系管理、在線廣告、推薦系統(tǒng)、情緒分析、欺詐檢測、垃圾郵件過濾、交通監(jiān)控、計量經(jīng)濟學、患者監(jiān)控、氣候監(jiān)測、工業(yè)化等。在這場我們稱之為「AutoML for Lifelong Machine Learning」的競賽中，將提供從實際應用中收集的大規(guī)模數(shù)據(jù)集。與以前的 AutoML 競賽 (http://automl.chalearn.org/) 相比，本次比賽遠離了更簡單的 i.i.d. 案例，重點在概念漂移（drifting concepts）。參賽者需要設計一個計算機程序，該程序能夠自主地 (無需任何人工干預) 開發(fā)預測模型，并在終生機器學習環(huán)境中進行訓練和評估。

官網(wǎng)：https://www.4paradigm.com/competition/nips2018

2. 對抗性視覺挑戰(zhàn)（Adversarial Vision Challenge）

賽事概述：這一挑戰(zhàn)旨在促進魯棒性機器視覺模型和更普適的對抗性攻擊方法的發(fā)展?，F(xiàn)代機器視覺算法非常容易受到輸入時微小且?guī)缀鯚o法察覺的擾動所影響。這一特性揭示了人類和機器在信息處理方面的驚人差異，并引出了許多已部署的機器視覺系統(tǒng) (如自動駕駛汽車) 的安全隱患。因此，提高視覺算法的魯棒性對于縮小人與機器感知之間的差距，保證應用更加安全非常重要。

官網(wǎng)：https://www.crowdai.org/challenges/adversarial-vision-challenge

3. 對話智能挑戰(zhàn)賽（The Conversational Intelligence Challenge 2，ConvAI2）

賽事概述：目前很少有適合訓練和評估非任務導向型對話系統(tǒng)（聊天機器人）模型的數(shù)據(jù)集，也沒有評估這類模型的標準程序。ConvAI 競賽的目標是建立一個具體的場景來測試與人類交談的聊天機器人，并使其成為標準的評估工具，以便直接比較這些系統(tǒng)。今年有如下改進：a）從一開始就提供數(shù)據(jù)集 Persona-Chat；b）讓對話更吸引人；c）評估過程更加簡單 (先是自動評估，然后是人工評估)。

官網(wǎng)：http://convai.io/ 

4. 機器學習軌跡挑戰(zhàn)（Tracking Machine Learning Challenge）

賽事概述：在 Kaggle Higgs (https://www.kaggle.com/c/higgs-boson) 和 the flavor of physics (https://www.kaggle.com/c/flavours-of physics) 兩項挑戰(zhàn)賽中，要求參賽者利用數(shù)據(jù)科學技術提出推動科學進步的新穎想法。粒子軌跡重建是 CERN 實驗中數(shù)據(jù)處理的核心，極具挑戰(zhàn)性。為了充分挖掘碰撞數(shù)據(jù)的潛力，促進未來的科學發(fā)現(xiàn)，我們將不得不克服這種面向吞吐量的挑戰(zhàn)，并提供幾秒之內(nèi)在數(shù)十萬點間運行的解決方案。這一獨特的挑戰(zhàn)需要你的創(chuàng)造力和計算技能。

官網(wǎng)：https://sites.google.com/site/trackmlparticle/

5. Pommerman

賽事概述：  訓練一組智能體來玩 Bomberman，與其他隊伍競爭。

官網(wǎng)：https://www.pommerman.com/

6. 分布傾向性方面的挑戰(zhàn)（InclusiveImages：A challenge of distributional skew, side information, and global inclusion）

賽事概述：近年來，機器學習公平性和包容性的問題引起人們的高度關注，并在機器學習領域內(nèi)迅速形成一個完整的研究領域。為了提供更多的經(jīng)驗依據(jù)，方便新方法的正面比較，「InclusiveImages」競賽鼓勵研究人員開發(fā)出一種建模技術，這種技術能減少可能存在于大型數(shù)據(jù)集中的編碼偏差。特別地，該競賽的重點是當訓練圖像的地理分布不能完全代表在測試或推理時的多樣性時在地理傾向性（geographic skew）方面的挑戰(zhàn)。

官網(wǎng)：https://sites.google.com/view/inclusiveimages/

7. AI 駕駛奧林匹克賽（The AI Driving Olympics）

賽事概述：機器學習 (ML)、深度學習和深度強化學習在最近的許多任務上成果斐然。然而，尚不清楚這些方法能否取代傳統(tǒng)的 embodied 智能體。特別，是否可以完全信任用基于學習的方法來控制自動駕駛等安全關鍵系統(tǒng)還有待觀察。這一比賽由 Duckietown Foundation 舉辦，旨在探索哪種方法最適合復雜的機器人系統(tǒng)中的各種任務和子任務。參與者需要設計算法來實現(xiàn)小型出租車車隊在自動駕駛中所需的部分或全部管理和導航。

官網(wǎng)：暫無

8. AI 在假肢中的應用（AI for prosthetics）

賽事概述：材料科學和設備技術的最新進展提升了人們對制造假肢以改善人類運動的興趣。然而，設計這些設備非常困難，因為在許多設計間迭代非常昂貴且耗時。在這一挑戰(zhàn)中，我們探索使用強化學習技術來訓練逼真的仿生機械模型，使其接近帶有假肢的病人的運動模式。成功的模型將是更好地理解人類-假肢交互的關鍵，將有助于加速這一領域的發(fā)展。

官網(wǎng)：https://www.crowdai.org/challenges/nips-2018-ai-for-prosthetics-challenge

（完）

via：https://nips.cc/Conferences/2018/CompetitionTrack

雷鋒網(wǎng) AI 研習社編譯整理。

雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。