众所周知,大规模带标签的数据对于深度学习尤为重要。在以图像识别、机器翻译等为代表的任务中,深度神经网络通过大量带标签的数据进行训练。但这样的前提存在两个主要的局限性。首先是人工标记数据的成本很高;其次是大规模标记数据获取的难度较大。
为了解决这一问题,在 NIPS 2016 上,微软亚洲研究院提出了“一种新的机器学习范式”——对偶学习,利用任务互为对偶的特点从无标注的数据中进行学习。它的训练原理是怎样,具体有哪些应用前景,近期又有着怎样的进展?本期硬创公开课,雷锋网荣幸地邀请到微软亚洲研究院主管研究员秦涛博士,为我们讲述对偶学习的新进展。
主要内容
本次公开课内容如下:
1. 深度学习面临的挑战
2. 如何利用AI任务的结构对称性从无标注数据进行学习
3. 监督学习中的对称之美
4. 如何利用结构对称性改进机器学习算法的推理测试过程
5. 对偶学习在图像生成中的应用
6. 对偶学习和其他学习范式/方法的联系与区别
嘉宾介绍
秦涛博士,微软亚洲研究院主管研究员,在国际会议和期刊上发表学术论文100余篇,曾/现任机器学习及人工智能方向多个国际大会领域主席或程序委员会成员,曾任多个国际学术研讨会联合主席。秦涛博士是中国科学技术大学兼职博士生导师,IEEE、ACM会员。他的团队的研究重点是深度学习和强化学习的算法设计、理论分析及在实际问题中的应用。
活动详情
主题:对偶学习:人工智能的对称之美
嘉宾:秦涛博士,微软亚洲研究院主管研究员
时间:2017 年 5 月 4 日,周四晚上 8 点
形式:雷锋网 APP 视频直播,可在雷锋网 App 直播频道内“问答区”进行提问。
同步直播
雷锋网(公众号:雷锋网) APP:直播频道
斗鱼直播平台:(房间号:788495),地址:https://www.douyu.com/788495
zaker: 直播频道 首页房间
关注「雷锋网」公众号,回复167,进入行业微信群讨论。
。
原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/83676.html