排序方式

微软为什么要公开AI系统测试数据集和度量指标?

共享经济正处于如火如荼的发展状态,但你有没有想到,人工智能有一天也会步入共享经济时代?今年秋天,微软的研究人员对外公开了新一组可用来测试AI系统的数据集,以助力全世界的AI研究。协作精神对人工智能领域的长足发展至关重要,许多正在开发数据集的团队表示,从某种意义上说,他们是在“预先付费”,因为他们将来也会用到其他人所创建的数据集。

发布时间:2017-11-20 类型:深度文章

微软发布新一波人工智能工具

今天,微软在澳大利亚悉尼举办了一场有关人工智能的分享会,会上发布了一系列人工智能工具和解决方案,旨在帮助传统企业布局人工智能,提高生产力并增强人类智慧。

发布时间:2017-11-16 类型:深度文章

神经网络模糊测试:将DNN应用于软件安全测试

软件安全问题一直是开发人员关注的重点,简单高效的漏洞探测方法能够为程序的平稳运行提供强大助力。近日,微软研究人员开发出一种可以用于发现软件安全漏洞的新方法。这个名为微软安全风险检测(Microsoft Security Risk Detection)的工具能够大大简化安全测试流程,让你无须成为安全问题专家也可以消除软件中的漏洞。

发布时间:2017-11-15 类型:深度文章

微软学者 | 以前沿视角,做计算机领域的瞭望者

自1999年起,“微软学者”项目就在为支持优质博士生科研工作不断努力。迄今为止,逾百名“微软学者”获得者已在各自领域大放异彩,无论是聚焦软件工程,还是探索最前沿的人工智能技术,他们都在为推动技术以及行业的进步不遗余力。今年9月,30多名往届“微软学者”获得者共聚微软亚洲研究院博士生论坛,讲述了他们与“微软学者”的那些事儿。

发布时间:2017-11-10 类型:深度文章

SOSP:计算机系统研究的风向标

SOSP(操作系统原理大会)自1967年创办以来,两年一届,已经有50个年头了。从1969年的UNIX系统到21世纪初的MapReduce、BigTable、GFS,系统领域一系列最有影响的工作都是发表在SOSP以及与它隔年举行的兄弟会议OSDI上。如果把SOSP和OSDI历年最具影响力(Hall of Fame Award)的论文汇集成册,就是大半本操作系统和分布式系统的教科书。作为系统领域的最高学术会议,SOSP和OSDI每年只收录30至40篇高质量论文,因而能够在SOSP上发表论文是系统研究者的荣誉。

发布时间:2017-11-10 类型:深度文章

二十一世纪计算 | 大数据和网络分析的可扩展算法

身处大数据时代,我们对高效算法的需求比先前任何时候都要突出。虽然大数据使我们进入了我们先驱者设想的渐近世界,但问题规模的爆炸式增长也对经典算法的有效性提出挑战:根据多项式时间表征,以前被认为有效的算法可能不再适用,有效的算法应该是可扩展的。本文中,南加州大学计算机科学与数学系教授滕尚华展开讨论了一系列算法技术,用于在当今海量数据的世界中设计出可靠的可扩展算法。

发布时间:2017-11-08 类型:深度文章

沈向洋:懂语言者得天下

10月30日,微软全球执行副总裁沈向洋博士走进清华大学高等研究院杰出学人讲座,发表题为《理解自然语言:描述、对话和意境》的报告。从机器学习到机器智能,再到机器意识,沈向洋博士带领大家回顾人类在感知研究方向取得的卓越成果,并从语言理解的三个不同层次“表述、对话、意境”分析未来十年中人工智能可能实现的重大突破。

发布时间:2017-11-03 类型:深度文章

院友会 | 朱民:世界金融群和市场波动

2017年10月29日,第二届微软亚洲研究院院友会再次起航,众多院友汇聚一堂,共同探讨人工智能发展的未来可能。微软亚洲研究院自1998年成立之初起就汇聚和培养了全球顶尖的科研人才,近20年来,研究院的全球院友已超过5000名。而微软亚洲研究院院友会的成立,则为院友们搭建起一个广泛汇聚智慧、积极分享经验与资源、坦诚交流技术洞察的平台。在院友会上,经济学家、原国际货币基金组织副总裁朱民为大家分享了信息爆炸性增长时代下,国家关系和金融市场之间的波动和变化。

发布时间:2017-11-01 类型:深度文章

二十一世纪计算 | 从工匠到工业,攒积AI的未来力量

人工智能无疑正在改变我们的世界,科学家、企业家、政府决策者、哲学家都无一不为这久而未见的革新性技术而心动痴迷。人工智能已经给人类带来了太多的惊喜和思考,然而我们对人工智能知识的掌握还非常有限,可以说我们当前还处于人工智能的“手工”阶段,距离实现人工智能工业化还有一定距离。本文是第十九届“二十一世纪的计算”大会精选系列的第二篇,微软全球资深副总裁Peter Lee开辟独特视角,从艺术手工性窥探人工智能未来如何实现工业化普及。

发布时间:2017-10-31 类型:深度文章

ICCV | 深度三维残差神经网络:视频理解新突破

随着互联网的不断发展,可处理视频的深度神经网络远比普通神经网络更难训练,如何减轻训练负担成为了一项不可忽视的工作。来自微软亚洲研究院多媒体搜索与挖掘组的研究成果“Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks”,在正在举办的International Conference on Computer Vision (ICCV) 2017会议上发布,它专注于如何利用大量视频数据来训练视频专用的深度三维卷积神经网络,提出一种基于伪三维卷积(Pseudo-3D Convolution)的深度神经网络的设计思路,并实现了迄今为止最深的199层三维卷积神经网络。通过该网络学习到的视频表达,在多个不同的视频理解任务上取得了稳定的性能提升。

发布时间:2017-10-27 类型:深度文章