List

It’s interesting to see that the number of attendees grow sharply in the past few years — especially those from the industries. It might be due to the reason that the advanced technologies might be in the tipping point that will impact the products now and soon. There have been numerous cornerstone works published in the topic conferences. For example, AlexNet (NIPS’12), ZFNet (ECCV’14), NIN (ICLR’14), VGG (ICLR’15), GoogleNet (CVPR’15), ResNet (CVPR’16), RCNN (CVPR’14), DQN (NIPS’13), GAN (NIPS’14), Memory Network (ICLR’15), Word2Vec (ICML’14), Seq2Seq (NIPS’14), etc.

今天早上Facebook的研究員Laurens van der Maaten 到 IBM Watson 研究中心,分享他們如何設計低錯誤率(宣稱完勝ResNet)以及有效率的深度卷積網路,用來自動標註FB上的大量照片。相當有趣的研究工作,技術細節:Densely Connected Convolutional Networks ,也將發表在夏威夷舉行的 CVPR 2017,電腦視覺領域的頂尖國際會議(top conference)。

我觀察。這幾年,越有競爭力的IT企業,越在乎某些EECS領域的top conference (有機會再詳述)。甚至發表、贊助、或是派員參加。 國內的MediaTek、HTC也算是這些領域的常客。

這幾年Top Conference也成為產業界獵才、showcase、探察核心技術的重要地點。例如,過去一年NVIDIA在全球贊助了18個AI Lab,首度召開的跨研究中心會議,也選擇在今年七月的CVPR召開。很榮幸台大的NVIDIA AI Lab也貢獻了兩篇CVPR論文,有五位研究人員將參加這個另人期待的跨AI Lab聚會。

有次在跟NVIDIA黃董開會時,他提到自己也會follow這些top conference,想掌握前瞻技術的走向。

發表Top conference論文跟產業脫節?

多元的角度,讓我們更有機會不錯失下個機會。

2007年回台大時,受惠於前瞻思維的資深教授們(e.g., Ja-Ling Wu),我蠻驚訝EECS學院內竟然也有配套的多元指標,只要論文發表在top conference,能有全額的差旅補助(包括學生),升等的評鑑也是。

這也是為什麼台大CS這幾年在國際學術界中, 某些領域中還具有話語權的原因。部分領域我較熟悉的包括:machine learning, HCI, multimedia, data mining, speech, IR, computer vision, 等。其他領域也有相當耀眼的表現。

這幾年有幾位年輕的CS研究人員詢問top conferene跟期刊之間的取捨。我的建議是前者。因為這是CS領域的國際指標之一。 EECS的工作是跨國界的,讓自己的生涯有更寬廣的影響力、話語權、以及更多選擇的機會,是最好的投資。

這也是泛資料、機器學習領域的慣例,在評估學生(入學、就業)或是研究人員時,時常會參考Top Conference 的著作、Google Citation,產業經驗、或是新興的github紀錄。

也就是如此,時常有許多關於Top Conference的會外會,像是前些日子微軟研究院也在內地召開了CVPR 2017分享會。台北也有類似的小型活動,值得關注參與。

  Posts

1 2 3 4
October 28th, 2017

Best Brave New Idea Paper Award in ACM Multimedia 2017

October 28th, 2017

How to Get Started in (PhD) Research (如何帶領你的PhD學生)

October 25th, 2017

Technical Debt — 沒有白吃的午餐

  十月初Intel副總兼CTO Amir Khosrowshahi 來台,有機會交流。Amir說明Intel在未來智能服務的定位。其中提到了NIPS 2015 Sculley的論文中 “Technical Debt” (技術債)的概念。 很有趣的一個名詞,用來解釋天下沒有白吃的午餐 — 智能化當然是相當重要的未來,但是也得搭配其他不可或缺的要件。  很快的把Sculley的論文看了,主要討論智能元件上線之後,對於線上的工程系統有怎樣的工程挑戰:比如說如何維持特徵值擷取版本,過多的特徵值,訓練模型的版本等等。 值得工程人員關注。  其中最有意思的是這張圖,核心智能(機器學習或是深度學習)常常只是工程系統中的一小部分,為了讓整個服務可以完整的運行,還有其他重要配合的工程部分,例如資料收集、清理、運算資源管理、運算平台、監控服務等。Intel想提供圖一上的大部分,不是只有ML核心。  每個有價值的垂直領域,都有專業的知識,需要時間、成本累積。從一年多前開始跟醫學領域的人一起合作,完全可以感受到跨領域的挑戰,令人戰戰兢兢。  技術債可以用(素質好)的人力彌補,例如挖角、併購,但是價格高。  同樣的,對於非以IT技術擅長的產業,即時是獲利非常良好的隱形冠軍們,要智能化在公司內部開始產生效益,也需要相當的時間跟花費(同樣的,有許多技術債得償還)。當然,經營層的決心是最關鍵的。  這也可能是許多(新創)公司的機會所在。尤其是專注服務於產出大量資料,以及資料單位價值高的幾個領域:例如製造、能源、健康醫療、交通、IT等,都是值得大量投資智能技術的領域。 […]

August 29th, 2017

Interview by Harvard Business Review (哈佛商業評論) on How to Grow the (AI) Talents

August 27th, 2017

Panel Discussion in IBM Technical Forum 2017 and How to be the AI-Savvy Company

August 20th, 2017

Technical Talk in Dell Technology Forum 2017 — AI Developments and Opportunities

August 20th, 2017

Amazing Year in IBM TJ Watson (IBM 華生研究中心的夢幻旅程)

August 20th, 2017

Presenting in Media Event: 商業週刊演講會 — 機器智能的在地機會

July 25th, 2017

Our CVPR 2017 Paper Highlighted in NVIDIA Corporate Blog

July 24th, 2017

NVIDIA AI Lab Meetup in CVPR 2017 and new V100 GPUs