华军软家园-AI科技评论前线报导：美国太平洋时间2月8日早上8：30，在旧金山的AAAI2017大会展开了最佳论文的颁奖典礼。最佳论文授予给了斯坦福大学的RussellSteward以及其导师StefanoDrmon编写的论文《Label-FreeSupervisionofNeuralNetworkswithPhysicsandDomainKnowledge》。该文章从未知的关系（如物理定律）应从，通过输入必需符合物理定律的约束来训练自学。论文概要在许多机器学习应用于中，带上标签的数据数量较少，而想取得更好的标签必须代价高昂的代价。

我们引进了一种新的神经网络监督自学方法，不同于使用必要得出输出-输入对的必要示例的传统方案。这种方法通过特定的约束条件来登录输入空间，而这些约束条件源于先前的特定领域科学知识，例如未知的物理定律。我们展出了这种方法在现实世界和仿真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带上任何标签的情况下，顺利训练了一个卷积神经网络来检测和追踪对象。这一方法还可以贞着增加对标记的训练数据的必须，并同时带给了将先验科学知识编码为必要的损失函数的新挑战。（论文全文参看网址：http://www.aaai.org/Conferences/AAAI/2017/PreliminaryPapers/12-Stewart-14967.pdf。

PPT全文在颁奖典礼后，RussellSteward展开了关于这篇论文的介绍。以下是其介绍的PPT全文：大数据是好东西，但“大标签”不会让你痛不欲生。那怎么办呢？我们可以利用约束条件而非标签。1.创建从f：X→Y的影射。

2.自学如何追踪物体运动轨迹。约束条件是输入结果（按照物理规则）必需是一个抛物线。3.预测与标记的对比。4.计算出来f（xi）值。

下面荐两个例子：例子1：预测并未标记的图片中人的水平方位例子2：预测图片否包括马里奥和桃子结论我们可以用于未知的高等级恒定性关系来训练分类器。所以，比起起打标签，高等级恒定性关系要更加必要。

随着未来更加多广泛关系的挖出，坚信未来在这一领域不会具有更好的应用于经常出现。文章由华军软件园-AI科技评论前线报导，刊登请求联系华军软家园-AI科技评论。

【全职召集令！】如果你对未来充满著向往，讨厌探寻转变世界的科技进展，looknofurther！我们必须这样的你：通晓英语，对技术与产品感兴趣，注目人工智能学术动态的萝莉咲妹子技术宅；文字不欲妙笔生花，但期望通俗易懂；在这里，你不会进账：一群来自天南地北、志同道合的小伙伴；前沿学术科技动态，每天为自己差使电池；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讲解/履历发至guoyixin@leiphone.com，如有作品，青睐悉数附上。

本文来源：新萄京网站-www.forimprovement.com