雷锋网-AI科技评论前线报道：美国太平洋时间2月8日早上8：30，在旧金山的AAAI 2017大会进行了最佳论文的颁奖典礼。最佳论文颁发给了斯坦福大学的Russell Steward以及其导师Stefano Drmon撰写的论文《Label-Free Supervision of Neural Networks with Physics and Domain Knowledge》。该文章从已知的关系（如物理定律）入手，通过输出必须满足物理定律的约束来训练学习。
论文摘要
在许多机器学习应用中，带标签的数据数量稀少，而想要获得更多的标签需要付出高昂的代价。我们引入了一种新的神经网络监督学习方法，不同于采用直接给出输入-输出对的直接示例的传统方案。这种方法通过特定的约束条件来指定输出空间，而这些约束条件来源于先前的特定领域知识，例如已知的物理定律。我们展示了这种方法在现实世界和模拟计算机视觉任务的有效性。利用这种方法，我们可以在训练样本没有带任何标签的情况下，成功训练了一个卷积神经网络来检测和跟踪对象。这一方法还可以显着减少对标记的训练数据的需要，并同时带来了将先验知识编码为适当的损失函数的新挑战。（论文全文参见网址：http://www.aaai.org/Conferences/AAAI/2017/PreliminaryPapers/12-Stewart-14967.pdf。
PPT全文
在颁奖典礼后，Russell Steward进行了关于这篇论文的讲解。以下是其讲解的PPT全文：
大数据是好东西，但“大标签”会让你痛不欲生。那怎么办呢？我们可以利用约束条件而非标签。
1.建立从f：X→Y的影射。
2.学习如何跟踪物体运动轨迹。约束条件是输出结果（按照物理规则）必须是一个抛物线。
3.预测与标记的对比。
4.计算f（xi）值。
下面举两个例子：
例子1：预测未标记的图片中人的水平位置
例子2：预测图片是否包含马里奥和桃子
结论
我们可以使用已知的高等级不变性关系来训练分类器。所以，相比起打标签，高等级不变性关系要更直接。
随着未来更多普遍关系的挖掘，相信未来在这一领域会有着更多的应用出现。
文章由雷锋网-AI科技评论前线报道，转载请联系雷锋网-AI科技评论。
【兼职召集令！】
如果你对未来充满憧憬，喜欢探索改变世界的科技进展，look no further！
我们需要这样的你：
精通英语，对技术与产品感兴趣，关注人工智能学术动态的萝莉&萌妹子&技术宅；
文字不求妙笔生花，但希望通俗易懂；
在这里，你会收获：
一群来自天南地北、志同道合的小伙伴；
前沿学术科技动态，每天为自己充充电；
更高的生活品质，翻翻文章就能挣到零花钱；
有意向的小伙伴们把个人介绍/简历发至 guoyixin@leiphone.com，如有作品，欢迎一并附上。
正在生成分享图...
我在思考中