Detection and Identification of Rare Audiovisual Cues

یادگیری ماشین با استفاده از داده های آموزشی از حوزه برنامه و دانش قبلی در مورد مشکل، مدل هایی از جهان را می سازد. این مدل‌ها بعداً در داده‌های آینده به منظور برآورد وضعیت فعلی جهان اعمال می‌شوند. یک فرض ضمنی این است که آینده به طور تصادفی مشابه گذشته است. هنگامی که سیستم با موقعیت‌هایی مواجه می‌شود که از تجربه گذشته پیش‌بینی نشده‌اند، این رویکرد شکست می‌خورد. در مقابل، موجودات طبیعی موفق، محرک‌ها و موقعیت‌های پیش‌بینی نشده جدید را شناسایی می‌کنند و اغلب پاسخ‌های مناسب را ایجاد می‌کنند.

مشاهداتی که در بالا توضیح داده شد منجر به شروع پروژه DIRAC EC در سال 2006 شد. در سال 2010 کارگاهی برگزار شد که هدف آن گردآوری محققان و دانشجویان از رشته های مختلف به منظور ارائه و بحث در مورد رویکردهای جدید برای شناسایی و واکنش به موارد غیرمنتظره بود. رویدادها در محیط های غنی از اطلاعات این کتاب شامل خلاصه ای از دستاوردهای پروژه DIRAC در فصل 1 و مجموعه ای از مقالات ارائه شده در این کارگاه در قسمت های باقی مانده است.

Machine learning builds models of the world using training data from the application domain and prior knowledge about the problem. The models are later applied to future data in order to estimate the current state of the world. An implied assumption is that the future is stochastically similar to the past. The approach fails when the system encounters situations that are not anticipated from the past experience. In contrast, successful natural organisms identify new unanticipated stimuli and situations and frequently generate appropriate responses.

The observation described above lead to the initiation of the DIRAC EC project in 2006. In 2010 a workshop was held, aimed to bring together researchers and students from different disciplines in order to present and discuss new approaches for identifying and reacting to unexpected events in information-rich environments. This book includes a summary of the achievements of the DIRAC project in chapter 1, and a collection of the papers presented in this workshop in the remaining parts.