一、技术创新：开放题二、应用创意：开放题三、企业赛题：华为赛题共4个，包括3个开放题和1个客观题，均为华为技术有限公司从实际需求出发拟定的与智能技术密切相关的题目。属于此种选题方式的作品还可以参与华为专项奖的评奖。（一）、开放题。提交作品材料包括：设计文档、代码、原型系统等。评估指标不唯一，评估标准包括：实现题目具体要求、方法创新度高、方案设计清晰明确、测试结果可复现等。跨域任务中的特征分离题目描述：在语音语义、工业视觉检测、自动驾驶等诸多机器学习的应用场景中，都存在数据来自多个不同的分布（域）的情况。例如MNIST数据集中的手写数字采集自若干个不同的书写风格。在监督学习中，我们希望从数据中抽取出对于我们预测标签有用的特征。当数据采自多个不同的域时，一些特征与标签的关系会出现跨域变化，我们称之为不稳定特征，而另一些特征与标签的关系在不同域中保持不变，我们称之为稳定特征。在不确定测试数据来自哪个域的情况下，我们倾向于利用稳定特征进行预测，实现可靠的跨域泛化结果。而在明确知道测试数据来自哪个域的情况下，我们则倾向于结合稳定特征与不稳定特征，共同用于标签的预测，在跨域适应问题上得到更高的预测精度。这就要求我们能够在训练时有效分离出稳定特征与不稳定特征。请设计一个监督学习算法，能够同时学到数据中的稳定特征与不稳定特征，从而在跨域泛化和跨域适应两类问题上同时有好的表现。具体要求：模型能够对图片的标签做出预测，在跨域泛化和跨域适应问题上同时达到高准确率。模型中针对特定域标签的参数应当尽量少。（可选）模型能够在有限计算资源（如一张V100显卡）情况下进行高效训练。参考数据集：ColoredMNIST（其中数字为稳定特征，颜色为不稳定特征；除了颜色外，可以考虑引入更多复杂特征）、其他跨域数据集参考文献：InvariantRiskMinimization：http://arxiv.org/abs/1907.02893PredictingwithHighCorrelationFeatures：https://arxiv.org/abs/1910.00164跨任务神经网络架构搜索题目描述：神经网络架构搜索对提高模型精度，减少模型计算量，提高推理速度起着很大的作用。然而神经网络架构搜索需要消耗大量计算资源，尤其是在大型数据集（如ImageNet）和复杂任务（如物体检测、语义分割）上。这对算法的高效性有很大的要求。同时，不同任务存在差异，把在一个任务上搜索得到的架构直接用到另一个任务上可能不是最优的，这对算法的通用性也有一定的要求。请设计一个算法，能适用于多个任务的网络架构搜索，如（不限于，也不需包括）图片分类，物体检测等，并且能高效地返回最优的网络架构。具体要求：给定若干个不同任务（或数据集），输出各自最优网络架构，（训练后）达到高准确率。算法能够从搜索过的任务学习到经验，并用到新任务中来提高搜索效率。参考数据集：图片分类：MNIST，CIFAR10，CIFAR100，ImageNet；物体检测、语义分割：PASCAL、VOC参考文献：ProgressiveDifferentiableArchitectureSearch:BridgingtheDepthGapbetweenSearchandEvaluation:https://github.com/chenxin061/pdartsPC-DARTS:PartialChannelConnectionsforMemory-EfficientArchitectureSearch:https://github.com/yuhuixu1993/PC-DARTSMetaArchitectureSearch：https://papers.nips.cc/paper/9301-meta-architecture-search.pdfTowardsFastAdaptationofNeuralArchitectureswithMetaLearning：https://openreview.net/forum?id=r1eowANFvr黑盒对抗攻击题目描述：对抗样本的存在，使得神经网络在实际运用中的安全性遭到质疑，尤其是黑盒攻击，跟实际应用场景非常接近。高效地寻找黑盒攻击样本有助于训练更鲁棒的模型。请设计一个算法，高效地获得对抗样本，骗过训练好的神经网络模型。具体要求：实现黑盒攻击：攻击者不知道具体的网络架构，仅能给模型输入图片，并仅能获得输出类别，不能得类别的概率分布。实现有目标攻击和无目标攻击算法。有目标攻击：生成对抗样本使模型将其错误地分到指定一类；无目标攻击：生成对抗样本使模型错误地分类。尽可能地减少向目标模型查询（query）的数量和提高攻击的成功率。尽可能地减少黑盒攻击算法计算所需时间。提供和现有的基线算法的比较。参考文献：PracticalBlack-BoxAttacksagainstMachineLearning：https://dl.acm.org/doi/abs/10.1145/3052973.3053009ImprovingBlack-boxAdversarialAttackswithaTransfer-basedPrior：https://arxiv.org/abs/1906.06919SimpleBlack-boxAdversarialAttacks：http://proceedings.mlr.press/v97/guo19a/guo19a.pdf（二）、客观题。须在华为云大赛平台参加竞赛（竞赛链接：https://competition.huaweicloud.com/information/1000041227/introduction），具体参赛要求请参见竞赛链接中详细内容。请点击链接https://ma-competitions-bj4.obs.cn-north-4.myhuaweicloud.com/hwcup/readme.zip下载并查看该赛题参赛指南。面向未知域和未知类别的小样本学习题目描述：人类具有通过极少量样本识别一个新物体的能力，如小孩子只需要书中的个别图片，就可以认识什么是“苹果”，什么是“草莓”。研究人员希望机器学习模型在学习了一定类别的大量数据后，对于下游任务中遇到的新类别，只需要少量的样本就能快速学习，实现“小样本学习”。传统的小样本学习考虑训练数据与测试数据均来自于同一个域。如果下游任务中包含了未知域,则传统小样本学习方法效果不理想。请设计一个算法，使得模型在面向未知域、未知类别的下游任务，利用少量的样本学习，即可获得较高的分类准确率。参考文献：Cross-DomainFew-ShotClassification，https://arxiv.org/abs/2001.08735PrototypicalNetworksforFew-shotLearning，https://arxiv.org/pdf/1703.05175.pdf具体要求：请设计算法训练一个特征提取器，利用少量未知域、未知类别的标签数据，基于给定的度量方法，实现较高精度的小样本图片分类。训练数据：本赛题提供四个参考数据集，每个数据集对应一个域，即mini-ImageNet、CUB、Cars、Places。可自行划分训练集和验证集，例如利用其中三个数据集进行训练，在第四个数据集上验证模型在新域和新类别上的准确率。参考数据集下载链接mini-ImageNethttp://vllab.ucmerced.edu/ym41608/projects/CrossDomainFewShot/filelists/mini_imagenet_full_size.tar.bz2CUBhttp://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgzCarshttp://imagenet.stanford.edu/internal/car196/cars_train.tgzPlaceshttp://data.csail.mit.edu/places/places365/places365standard_easyformat.tar模型输出格式：给定一张输入图片，要求输出对应的特征向量，格式如下：{“feature”:[0.1,-0.05,…,0.34]}测试方法：测试数据包含三个域，测试时从每个域中抽取多个任务，每个任务包含若干张“A型”图片和“B型”图片，以A型图片为基准，对每张B型图片用最近邻方法进行分类，计算模型在该任务上的准确率，最终准确率为所有任务准确率的均值。任务构造和准确率计算具体方式如下。每个任务包含N个类别，每个类别包含K张A型图片和K张B型图片，其中N为5-10之间的随机数，K为1-10之间的随机数。从测试集某个域中随机选取N个类别，然后从每个类别随机选取2K张图片，其中K张作为A型图片，另外K张作为B型图片。设xijA为第i类第j张A型图片的输出特征，设xijB为第i类第j张B型图片的输出特征。对每个类别计算A型图片特征中心点，作为该类别的原型（prototype）：zi=1Kj=1KxijA,i=1,…,N.对每张B型图片xijB，判断其类别为与其欧式距离最近的原型对应的类别，即cxijB=argmini'xijB-zi'.该任务的准确率为判断类别正确的B型图片数除以B型图片总数，即Acc=i=1Nj=1KIcxijB=iNK.华为专项奖设置：华为公司为选择华为赛题的初赛前10名赛队设立华为专项奖，每队奖金1万元。初赛选择华为赛题的队伍按一定比例评审进入决赛，也可同时参评竞赛组委会设立的其它竞赛奖。赛事交流群（包含企业命题咨询和华为云平台使用咨询）：扫码添加AI大赛小助手，回复关键词“华为杯”即可加入大赛企业赛题交流群报名及提交作品要求：参赛队伍在以上赛题中任选其一进行作品创作参赛。选择技术创新、应用创意和企业赛题-开放赛题的选手：7月20日前，在大赛官网https://cpipc.acge.org.cn/中报名。8月20日前，在大赛官网提交参赛作品。（作品提交规范及模板见附件）选择企业赛题-客观题的选手：7月20日前，在大赛官网https://cpipc.acge.org.cn/中报名，通过培养单位资格审查后在华为云大赛平台（竞赛链接：https://competition.huaweicloud.com/information/1000041227/introduction）中报名。8月20日前，在华为云大赛平台提交参赛作品。（作品提交规范及模板以华为平台要求为准）附件1：“华为杯”第二届中国研究生人工智能创新大赛初赛作品提交规范附件2：“华为杯”第二届中国研究生人工智能创新大赛项目文档模版