- 0
- 0
- 0
分享
- 人工智能学院系列学术活动(第21场)—— 加拿大卡尔顿大学邬渊博士学术报告
-
原创 2022-05-15
人工智能学院系列学术活动(第21场)
邬渊博士学术报告

报告题目
基于对抗训练的迁移学习
报告内容
在传统的监督式机器学习中,训练模型的精度高度依赖于大量的优质带标签数据。然而,在现实场景中,对大量数据进行精确的标记需要消耗大量的人力物力。为了应对标签危机,迁移学习算法应运而生。迁移学习算法能够从带标签数据集中学习到特征表达,并将该特征表达泛化到无标签的数据集中,实现知识的迁移。一般的迁移学习算法处理两个数据集:有标签的数据集被称为源域数据集,缺少标签(或无标签)的数据集被成为目标域数据集。迁移学习算法的目标就是将这两个数据集中的数据点映射到隐空间中,得到源域特征分布和目标域特征分布,通过对抗训练最小化源域特征分布和目标域特征分布的距离,学习到域不变特征。域不变特征即为源域和目标域之间可迁移的知识。本次报告主要介绍对抗训练在迁移学习(主要是域适配和多域文本分类)中的应用。
主讲嘉宾

邬渊,本科毕业于北京化工大学计算机科学专业,硕士毕业于兰州大学软件工程专业,博士就读于加拿大卡尔顿大学,博士期间的GPA: 100%。研究方向为迁移学习(transfer learning),尤其针对迁移学习的两个子领域——域适配(domain adaptation)和多域文本分类(multi-domain text classification)。博士期间发表论文7篇,获得卡尔顿大学计算机学院奖学金,AAAI 2020 奖学金, EACL adapt-NLP workshop 最佳论文奖,AISTATS 2022 优秀审稿人奖,卡尔顿大学2022优秀毕业生奖。
报告时间
2022年5月16日 (星期一)上午9:00-10:00
报告地点
腾讯会议:763-791-440
主办单位
人工智能学院

吉林大学|人工智能学院
吉林省长春市|吉林大学中心校区
正新楼|7F
-
阅读原文
* 文章为作者独立观点,不代表数艺网立场转载须知
- 本内容由数艺网主动采集收录,信息来源为 “吉林大学人工智能学院” 公开网络发布内容。第三方如需转载本内容,必须完整标注原作者信息及 “来源:数艺网”,严禁擅自篡改、删减或未标注来源转载。 并附上本页链接: 若您的内容不希望被数艺网收录,或认为此举侵犯了您的合法权益,敬请通过微信 ID:d-arts-cn 联系数艺网。我们将致以诚挚歉意,并第一时间为您办理下架或删除处理。




