江苏龙网

  1. 首页 > 人文 > >

「爱因儿科技」场顶会直播全在这里了，四月，18( 三 )


回放链接：http://mooc.yanxishe.com/open/course/797
内容介绍：
【「爱因儿科技」场顶会直播全在这里了，四月，18】深度学习的成功得益于大量的数据和很深的网络模型 。 然而数据和模型往往不会特别理想 ， 比如数据里存在着很多标签噪音或者考虑到模型的推理速度 ， 神经网络的层数不能够特别深 。 针对这些情况如何有效的训练神经网络是深度学习领域的热点话题 。 特别是对于业务场景 ， 数据住往存在很多缺陷 ， 让模型能够自适应的从缺陷数据里学习是业务成功的保障 。 本次讲座将细致地讲解数据和模型缺陷情况下神经网络的有效训练方法 。 相关技术已经在腾讯的众多业务场景上(行人重识别 ， 内容审核等）落地 。
ACL2020
哈工大系列（2直播+录播）
（一）多领域端到端任务型对话系统
主讲人：覃立波
直播时间：4月16日
回放链接：http://mooc.yanxishe.com/open/course/796
内容介绍：
目前端到端任务型对话系统已经取得了一定的成功 ， 但是现有的系统很少关注于多领域场景 。 在对话数据标注十分困难的情况下 ， 如何有效利用所有领域的数据来提高每一个对话领域（尤其是数据稀少的领域）性能的多领域端到端任务型对话系统是一个值得研究的方向 。 本次将重点分享我们在ACL2020的工作 ， 一个基于动态聚合网络的多领域端到端任务型对话系统 ， 该系统不仅取得了目前的SOTA效果 ， 并且在ew-shot场景下取得了12.6%的显著提升 。
（二）小样本下的槽位提取探索
主讲人：侯泰宇
直播时间：4月17日
回放链接：http://mooc.yanxishe.com/open/course/795
内容介绍：
深度学习取得的巨大成功往往建立在大量标注数据基础上 。 然而现实中 ， 像对话系统这样的具体应用 ， 需要频繁面临领域的切换和需求的变更 ， 这使得我们很难为每一个新的领域和需求收集大量标注数据 。 相较之下 ， 人类似乎天生就擅长从极少的样例中学习 ， 这是因为人类的学习是建立在长期丰富的经验基础上的 。 小样本学习(Few-shotLearning）就是这样一种希望机器像人一样 ， 利用过往经验来用极少量样本学习新任务技术 。 过去的研究主要集中在图像和句子分类上 ， 而序列标注任务却还缺乏研究 。 我们工作针对few-shot序列预测任务带来的建模序列标签依赖等独有挑战 ， 给出了全新的方法 ， 并在1-shot场景上取得了14.02F1score的巨大提升 。
（三）生成、删除和重写：提高对话生成中人物角色一致性的三阶段框架
主讲人：宋皓宇
回放链接：http://mooc.yanxishe.com/open/course/799
内容介绍：
对话系统角色信息的一致性一直是困扰深度学习对话模型的重要问题之一 。 因此 ， 基于角色信息(persona)的对话生成任务被提出来 。 在该任务中 ， 角色信息相关的词语对于表达准确的含义至关重要 ， 但是在前人的工作中却没有给予这些词语足够的重视 。 在这项工作中 ， 我们提出了一个3阶段的生成模型来强调关键角色信息词语的重要性 。 在公开的PersonaChat数据集上 ， 我们的方法在客观指标和主观评价上均取得了非常好的效果 。
复旦系列（3直播）
（一）不同粒度的抽取式文本摘要系统
主讲人：王丹青、钟鸣
直播时间：4月25日
直播链接：http://mooc.yanxishe.com/open/course/804
内容介绍：
文本摘要任务涉及到语义理解等核心问题 ， 是自然语言处理的主流任务之一 ， 在信息爆炸时代的应用也愈发广泛 。 文本摘要任务主要分为生成式和抽取式 ， 本次将重点分享我们在ACL2019和2020的三篇抽取式摘要工作 。 基于去年工作中对句子级摘要系统的分析与结论 ， 我们此次提出一个新颖的基于图神经网络建模单词与句子以及句间关系的模型 ， 并在另一篇工作中提出可以从摘要级的角度来建立匹配模型并解决抽取式摘要任务 。


推荐阅读


上一篇：『越南』越南“封杀”中国的代价来了

下一篇：「每日科技果粉」| 张正友忆华人计算机视觉宗师 Thomas S. Huang，追寻大师的脚步