首届普林斯顿优化日召集了数据科学和机器学习前沿的研究人员

社会应该如何决定谁接受肝移植?在不久的将来是否应该有数据市场，这些市场应该如何运作?如果无人驾驶汽车撞死人，谁有错?随机性如何帮助优化机器学习中使用的算法?

在9月28日星期五举行的为期一天的首届普林斯顿优化日会议上，讨论了这些问题和其他问题，从技术性很强的问题到广泛适用的问题。

来自50多个学术和工业机构的约350名研究人员和学生听取了来自机器学习(人工智能的一个分支)、优化(最大化系统效率)和控制(计算机控制的理论基础)领域的六位演讲者系统)。

“这一天的成功超出了我们最乐观的预测，”该活动的组织者兼运筹学和金融工程(ORFE)助理教授阿米尔·阿里·艾哈迈迪(AmirAliAhmadi)说。“出席人数众多，演讲引人入胜，海报会议也如此超额认购，我们几乎没有空间容纳所有希望展示的人。”

尽管细节可能涉及高等数学，但会议讨论的主题在人们的生活中越来越普遍。随着计算机控制越来越多我们每天与之交互的设备，比以往任何时候都更需要更高效的算法和更好的方法让计算机通过使用机器学习和先前的“经验”来适应。

“技术，在某种程度上，社会将越来越依赖先进的算法、计算和数据，以确保可用资源得到最有效的利用，”普林斯顿大学统计与机器学习中心(CSML)主任PeterRamadge说，GordonYS吴工学教授和电气工程教授。“优化是这项工作的核心组成部分之一。例如，想想自动驾驶汽车或高效供暖和制冷城市基础设施所带来的挑战。”

优化、控制和机器学习融合的一个很好的例子是无人驾驶汽车。这种车辆的一个目标是最大限度地减少能源使用(优化问题)，使用反馈回路根据条件加速和减速(控制问题)。由于无人驾驶汽车可能会遇到大量情况，因此不可能预测并为所有情况编写规则——这就是机器学习成为关键组成部分的地方。

无人驾驶汽车还指出了计算机控制设备所涉及的一些伦理问题。“如果无人驾驶汽车撞死人怎么办，”麻省理工学院斯隆管理学院波音运筹学教授DimitrisBertsimas在他的演讲中问道。“谁对谁错?作为一个社会，我们能容忍不了解谁有错吗?”

Bertsimas的演讲“可解释的AI”认为，神经网络是一种流行的机器学习方法，并没有足够清晰地说明如何得出结论。神经网络模拟大脑的结构，但本质上是“黑匣子”——它们不包含有关如何得出结论的明确信息。Bertsimas建议在许多情况下使用决策树——最简单的形式是一系列是非问题——因为它们得出结论的方式更加透明和易于理解。

Bertsimas和他的研究小组使用这种决策树学习方法开发了一种替代算法，用于优先对患者进行肝移植，如果实施，与当前系统相比，每年可以挽救400条生命，他说。

除了六个主要报告外，来自22个机构的67份海报在弗里克实验室TaylorCommons的午间海报会议上展示——该领域强劲增长的证据。该活动由ORFE主办，CSML共同赞助，得到了工程与应用科学学院、机械与航空航天工程系、IBMThomasJ.Watson研究中心和国家科学基金会的支持。

“我们期待着两年后的下一个优化日，”ORFE系主任RonnieSircar教授说，“但我们将需要一个更大的礼堂。”