矩阵计算是信息处理最基础的计算任务，也是共认大数据计算的“七大巨人问题”之一。矩阵的低秩近似是矩阵计算中最为常用的技术之一，其目标是保留原矩阵主要特征的稀疏表示形式，以显著降低矩阵数据的存储空间和计算复杂度。开展针对近似低秩矩阵的奇异值分解（SVD）与求逆算法的研究，对信息处理、大数据基础理论的发展有重要贡献，可推动相关核心技术的革新。 本赛题聚焦一类有特别重要意义的近似低秩矩阵奇异值分解与求逆问题。对于给定的矩阵以及该矩阵非零最大奇异值个数所占比例的条件约束，本赛题要求参赛队开发快速高效的矩阵奇异值分解与求逆算法。

自动驾驶在帮助减少交通事故、提高交通效率方面发挥着至关重要的作用。当前的自动驾驶感知系统主要为移动车辆配备激光雷达或车载摄像机传感器，其感知范围相对有限，容易受到遮挡的影响。相反，从路边摄像头捕获的路侧数据在遮挡鲁棒性和长时间大范围的预测方面具有显著优势。 本竞赛赛题聚焦路侧相机视角下的单目3D检测任务，参赛队伍基于百度公司提供的路侧图像数据及标注信息，设计单目3D检测算法，实现对路侧感兴趣区域内的障碍物目标类别、2D框、3D位置、长宽高、朝向等信息的预测。

近年来，以深度学习为代表的机器学习算法在诸多应用领域取得了令人瞩目的成就。机器学习的一个重要任务----分类，也在深度学习技术的帮助下获得了惊人的进展。其背后成功的原因，很大程度依赖于预先收集的带有高质量标记且容量庞大的有监督数据集。然而，真实应用场景中获得的训练数据集通常包含显著的标记噪音，不具备预期的高质量标准，这一问题被称之为噪音标记问题。 深度神经网络很容易过拟合到训练数据集中的噪音标记，从而导致其在测试数据集中表现不佳。这一问题限制了深度神经网络在更多真实问题中的表现。为了能够让深度学习技术在更多真实应用场景落地，研究发展新的分类算法，使得在具有标记噪音的训练数据集上训练获得的深度神经网络，能够在测试数据集具有良好性能，是后深度学习时代研究中的一个非常重要而基础的科学问题。 本次比赛要求参赛者能够查阅相关资料，结合噪音标记的特点，发展高效、格式简洁、对噪音标记问题普适的分类算法。

近年来，预训练语言模型极大地推动了自然语言处理领域的发展。基于预训练语言模型，仅通过少量标注样本即可在诸多下游任务上取得不错的性能。 然而，出于运行成本和商业盈利考虑，许多大规模语言模型的参数并不公开，而是通过开放模型推理API的形式向用户提供服务。如何仅通过调用语言模型推理API来完成常见的自然语言处理任务成为一个重要的研究方向。 本擂台赛聚焦大规模预训练语言模型的调优，要求参赛队伍仅在调用预训练语言模型推理能力的前提下，针对6个自然语言理解相关的小样本学习任务进行模型调优。

人工智能在推动技术革命和产业进步的同时，其存在的安全风险往往被人忽视。当前广泛使用的深度学习模型在一些数据的自然变化的条件存在模型脆弱性的不足，受到人眼不可见的对抗样本欺骗，导致模型判断失准。为了提升深度学习模型的鲁棒性，发展安全可靠的新一代深度学习。 本擂台赛面向图像分类任务，旨在发掘更加高效的对抗防御技术，提升计算机视觉模型在对抗攻击下的鲁棒性。

古籍数字化对传承中华优秀传统文化有重大意义，由于古籍文档图像的版式复杂、不同朝代的刻字书写风格差异大、古籍文字图像存在缺失、污渍、笔墨污染、模糊、印章噪声干扰、生僻字异体字繁多等技术挑战；本擂台赛旨在解决高精度古籍文字检测、文…