雷锋网 AI 研习社按，第二届 NIPS Competitions 竞赛相关材料日前正式发布啦。往年主办方共收到 21 个与大会相关、触及到不同层面的数据驱动类竞赛的相关提案，基于竞赛组织机构中高程度专家和研讨人员的审查，最终接纳了 8 个评分最高的竞赛方案。对竞赛的评价是基于数据质量、成绩的兴趣、影响力、对新模型设计的促进水平以及方案和管理能否适当。

下图是被接纳的 8 个竞赛的工夫节点和奖金，大家可以拜访竞赛概况页，理解更多关于竞赛、日程布置以及如何参与的信息。竞赛的后果，以及主办方和竞赛优胜者的演讲将在 NIPS 2018 中历时两天的 Competition track day 停止。目前已有三项竞赛曾经启动——ConvAI2，Pommerman，AI for prosthetics，大家可以即刻参与！

接上去雷锋网 AI 研习社将为大家提供这 8 项赛事的相关信息。

1. 终活力器学习中的 AutoML（AutoML for Lifelong Machine Learning）

赛事概述：在许多真实世界的机器学习使用中，由于开发人员的机器学习专业知识无限，所以这时分 AutoML 十分重要。此外，许多真实世界使用中数据批次到来的工夫距离能够是每天、每周、每月或每年，而且数据散布随工夫变化绝对比拟迟缓，这时分，AutoML 零碎面临继续学习或终活力器学习的应战。

典型的成绩包括客户关系管理、在线广告、引荐零聚集了全世界身经百战的最优秀的创业导师，汇集了全世界各国最优质的产业资源，召唤全球未来的商业领袖。碎、心情剖析、欺诈检测、渣滓邮件过滤、交通监控、计量经济学、患者监控、气候监测、工业化等。在这场我们称之为「AutoML for Lifelong Machine Learning」的竞赛中，将提供从实践使用中搜集的大规模数据集。与以前的 AutoML 竞赛 ( http://automl.chalearn.org/ ) 相比，本次竞赛远离了更复杂的 i.i.d. 案例，重点在概念漂移（drifting concepts）。参赛者需求设计一个计算机顺序，该顺序可以自主地 (无需任何人工干涉) 开发预测模型，并在终活力器学习环境中停止训练和评价。

官网： https://www.4paradigm.com/competition/nips2018

2. 对立性视觉应战（Adversarial Vision Challenge）

赛事概述：这一应战旨在促进鲁棒性机器视觉模型和更普适的对立性攻击办法的开展。古代机器视觉算法十分容易遭到输出时巨大且简直无法发觉的扰动所影响。这一特性提醒了人类和机器在信息处置方面的惊人差别，并引出了许多已部署的机器视觉零碎 (如自动驾驶汽车) 的平安隐患。因而，进步视觉算法的鲁棒性关于减少人与机器感知之间的差距，保证使用愈加平安十分重要。

官网： https://www.crowdai.org/challenges/adversarial-vision-challenge

3. 对话智能应战赛（The Conversational Intelligence Challenge 2，ConvAI2）

赛事概述：目前很少有合适训练和评价非义务导向型对话零碎（聊天机器人）模型的数据集，也没有评价这类模型的规范顺序。ConvAI 竞赛的目的是树立一个详细的场景来测试与人类交谈的聊天机器人，并使其成为规范的评价工具，以便直接比拟这些零碎。往年有如下改良：a）从一开端就提供数据集 Persona-Chat；b）让对话更吸引人；c）评价进程愈加复杂 (先是自动评价，然后是人工评价)。

官网： http://convai.io/  

4. 机器学习轨迹应战（Tracking Machine Learning Challenge）

赛事概述：在 Kaggle Higgs ( https://www.kaggle.com/c/higgs-boson ) 和 the flavor of physics ( https://www.kaggle.com/c/flavours-of physics ) 两项应战赛中，要求参赛者应用数据迷信技术提出推进迷信提高的新颖想法。粒子轨迹重建是 CERN 实验中数据处置的中心，极具应战性。为了充沛发掘碰撞数据的潜力，促进将来的迷信发现，我们将不得不克制这种面向吞吐量的应战，并提供几秒之内在数十万点间运转的处理方案。这一共同的应战需求你的发明力和计算技艺。

官网： https://sites.google.com/site/trackmlparticle/

5. Pommerman

赛事概述：  训练一组智能体来玩 Bomberman，与其他队伍竞争。

官网： https://www.pommerman.com/

6. 散布倾向性方面的应战（InclusiveImages：A challenge of distributional skew, side information, and global inclusion）

赛事概述：近年来，机器学习公道性和容纳性的成绩惹起人们的高度关注，并在机器学习范畴内迅速构成一个完好的研讨范畴。为了提供更多的经历根据，方便新办法的正面比拟，「InclusiveImages」竞赛鼓舞研讨人员开收回一种建模技术，这种技术能增加能够存在于大型数据集中的编码偏向。特别地，该竞赛的重点是当训练图像的天文散布不能完全代表在测试或推理时的多样性时在天文倾向性（geographic skew）方面的应战。

官网： https://sites.google.com/view/inclusiveimages/

7. AI 驾驶奥林匹克赛（The AI Driving Olympics）

赛事概述：机器学习 (ML)、深度学习和深度强化学习在最近的许多义务上效果斐然。但是，尚不清楚这些办法能否取代传统的 embodied 智能体。特别，能否可以完全信任用基于学习的办法来控制自动驾驶等平安关键零碎还有待察看。这一竞赛由 Duckietown Foundation 举行，旨在探究哪种办法最合适复杂的机器人零碎中的各种义务和子义务。参与者需求设计算法来完成小型出租车车队在自动驾驶中所需的局部或全部管理和导航。

官网：暂无

8. AI 在假肢中的使用（AI for prosthetics）

赛事概述：资料迷信和设备技术的最新停顿提升了人们对制造假肢以改恶人类运动的兴味。但是，设计这些设备十分困难，由于在许多设计间迭代十分昂贵且耗时。在这一应战中，我们探究运用强化学习技术来训练逼真的仿活力械模型，使其接近带有假肢的病人的运动形式。成功的模型将是更好天文解人类-假肢交互的关键，将有助于减速这一范畴的开展。

官网： https://www.crowdai.org/challenges/nips-2018-ai-for-prosthetics-challenge

（完）

雷锋网 (大众号：雷锋网) AI 研习社编译整理。

雷锋网版权文章，未经受权制止转载。概况见。