11月7日下午，微软亚洲研究院将举办 2019“合作创·研”年会研讨会，此次研讨会聚焦
System and Networking for AI, Low-Resource Machine Learning, Multimodal Representation Learning and Applications
三大主题。为促进更为广泛的交流与合作，今年我们将
首次开放研讨会环节
，届时将有多位亚太地区顶级学者分享其研究成果与洞见，共饕学术盛宴。
此前，微软亚洲研究院已成功举办多届“合作创·研”年会，旨在为国内外学者与微软亚洲研究院的研究员提供一个
分享研究成果、交流研究经验、深化项目合作
的平台。大家将共同探讨备受亚太学术界关注的、最前沿的、具有社会意义的研究课题，致力于提升亚太学术界在计算机领域的影响力。
我们特别为高校老师、学生与微软员工开启报名通道，每个主题研讨会开放30个名额，请扫描
后文二维码尽快报名
。期待与您一起探讨科研，予力未来！
时间：
11 月 7 日 14:00~17:30
地点：
北京微软大厦二号楼
System and Networking for AI
我们生活在一个相互连接的实体世界中，这其中包括网络连接的各种系统：从大型云和边缘系统到单个内存和磁盘系统。系统和网络的创新与发展，催生了具有可靠、安全、可扩展和高效计算能力的高级智能算法，从而让运行复杂的人工智能算法与训练庞大的深度神经网络模型成为可能。我们已见证了云系统的巨大进步，边缘计算（尤其是边缘设备上的 AI 计算）则是当下学术界和业界的关注重点。该研讨会旨在讨论在通用系统和网络领域，各种基础架构（尤其是机器学习系统）支持方面的最新进展和未来趋势。
人工智能的发展和繁荣离不开底层系统和网络的有力支撑。本次研讨会，我们邀请学术界的朋友和研究院同事一起，从可编程硬件、大规模分布式系统、异构资源管理和调度、高效软硬件协同设计等方面，探讨如何构建更先进的系统和网络，为深度神经网络模型的训练和推理提供全方位的支持，进一步助推人工智能的发展，创造出更加丰富的工作和生活体验。
现在人工智能非常火，有许多运用人工智能技术提高系统能力的研究正在积极地开展，我们称为 AI for System。而这个研讨会侧重的是另一角度，即 System for AI，我们也认为非常的重要，试图聚焦如何在系统设计的各个层次去呈现此领域相关的研究进展、成果和挑战。希望有更多学术界的朋友们与我们一起探讨如何更好的构建服务人工智能业务需求的基础设施，包括使之拥有更高的效率、性能、可扩展性以及适应性等。
Low-Resource Machine Learning
深度学习极大地将人工智能这一浪潮向前推进，其成功很大程度依赖于大量的带标签数据、复杂庞大的模型和昂贵的计算资源。
如何从有限的带标数据、有限的模型大小和有限的计算资源中学习，是当下深度学习面临的挑战。
本次研讨会旨在报告与讨论低资源场景下机器学习的最新进展、未来趋势和前沿，聚焦于如何从较少的资源数据中学习，使用有限的计算资源学习小而有效的模型。
近年来，在大数据大模型和大计算的助力下，机器学习特别是深度学习取得的巨大进展，逐渐从学术研究走向行业应用。在实际应用中，我们经常面临资源的限制，从而常常需要从小规模标注数据、在小模型有限计算资源约束的场景下学习。我们邀请学术界的朋友们在本次研讨会中从数据、模型、算力等各个维度去探讨低资源场景下的机器学习，从而促进机器学习（深度学习）在各行各业中的应用普及化，促进产业升级，探索其广阔未来。
Multimodal Representation Learning and Applications
我们生活在一个由多媒体内容（文本、图像、音视频、传感器数据等）构建而成的世界中，这些不同模态的内容是构成真实世界中不同活动与应用的重要组成部分。对多模态内容的深入理解依赖于特征学习、实体识别、知识、推理、语言表达等多种技术。本次研讨会将针对多模态表征学习展开一系列讨论，以展示多模态表征学习的最新进展、应用与未来趋势。
在多媒体研究领域，多模态、预训练并不是崭新的名词，但在当下，基于 Bert 语言的无监督预训练使学习可以基于海量的原始数据，弥补了标记数据有限带来的局限，它为多模态表示学习和应用赋予了更为广阔的研究空间。这也带来了全新的挑战，例如如何能结合知识更好地建模，从而满足真实业务和复杂场景对技术的要求。希望能通过这次研讨会，有更多学术界的朋友看到这一领域的崭新视角以及相关研究工作的进展，以期在未来展开更好地合作。
传统的 NLP 是单模态的，因为它的输入是纯文本，输出也是文本。但我们不难发现，真实世界的实际需求往往是多模态的。通过这次研讨会，我们邀请学术界的朋友从视频、音频、图片、语言等不同工作切入一起探讨多模态表示学习的相关工作，并期待更多科研工作者加入我们，共同致力于实现自然语言、视觉、音频等信息真正意义上的融合，从而在未来设计出更符合下游需求的基于多模态/跨模态任务的模型与应用，更好地服务真实使用场景。
