广州在线购彩app灯具有限公司欢迎您!

【首届北美计算机华人学者年会】伊利诺伊大学

作者:admin    来源:未知    发布时间:2020-09-15 18:43    

  【新智元导读】第一届北美谋划机华人学者年会暨谋划本事前沿研讨会于 2017 年 6 月9-10日正在芝加哥进行。这是集会是华人谋划机学者的顶级嘉会,新智元从集会主办方处得到了伊利诺伊大学芝加哥分校刘兵教养正在会上的演讲PPT,刘兵教养以《打制不妨终生进修的呆板》为题,先容了终生呆板进修(Lifelong Machine Learning,LML)体系,越发是 LML 正在自然发言解决中的操纵。北美谋划机华人学者协会(Association of Chinese Scholars in Computing,ACSIC)的责任是通过协助和鞭策成员对社会的功勋,饱动谋划科学本事和教学。

  ACSIC 通过供应成员之间的讯息相易和团结时机,普及会员的著名度和奖学金,机闭社会和本事举止,以及与其他科技机构和企业互助来完成其责任。

  第一届北美谋划机华人学者年会暨谋划本事前沿研讨会(The First ACSIC Symposium on Frontiers in Computing,SOFC)于 2017 年 6 月 9-10日正在芝加哥进行。集会旨正在:(1)商量谋划本事的前沿题目;(2)鞭策华人谋划机学者的相易与互助;(3)凝固华人谋划机学者的共鸣。

  核心演言语题掩盖了谋划机体系、搜集、编制机闭、算法、人工智能等谋划机科学的几个大对象。集会还就“谋划前沿本事”(Frontiers in Computing)举办了论坛。

  此中,伊利诺伊大学芝加哥分校的刘兵教养,演讲问题为《打制终生进修的呆板》,涉及“终生呆板进修”(Lifelong Machine Learning,LML)的观点与呆板进修亲密相干。

  没有商量任何故前学的常识“独立进修”的弱点:学到的常识没有保存或积攒,也即是说,没有影象。

  没有人会给我1000个正面的和1000个负面的汽车评论,然后让我修一个分类器去给汽车评论分类。

  我可能不须要任何评论来操练就可能做到这些,由于我仍旧了解人们是怎样歌颂和贬损事物。

  假使我没有积攒的常识,我不不妨做到这些。好比说,我全体不懂阿拉伯语,假使有人给我2000个用阿拉伯语写的正面/负面评论来操练,我也不不妨学会。

  正在面临第(N + 1)个劳动时,它操纵常识库(knowledge base,KB)中的相干常识来辅助进修第(N + 1)个劳动。

  正在学会第(N + 1)个劳动后,将第(N + 1)个劳动的进修结果更新到常识库。

  ELLA是正在线众劳动进修方式,更高效并能解决大宗劳动。ELLA是一种终生进修方式,可能高效地增添新劳动的模子,每个过去劳动的模子都可能速捷更新。

  每个模子的参数向量是权重向量和根本模子参数L的线性组合,公式如:(Kumar et al.,2012)。

  部分常识(Localknowledge):其他的很众方式不具有劳动之间的整体潜正在机闭。

  正在进修新劳动时,它们凭据新劳动的须要拔取要操纵的先验常识。这些只是被称为部分常识,不具有一口气的整体机闭。

  对象:将文档或句子分类为+或-。须要人工对每个周围的大宗操练数据实行象征,这是很大的劳动量。

  那么,咱们可能不必为每个周围的数据实行象征,或起码淘汰要象征的文档/句子数目吗?

  操纵D创修分类器,正在新周围上测试(细心:因为转移进修不行很好地作事,只操纵一个过去域/源域)

  聚类(同义词分组):同样的aspects:{“图片”,“照片”},{“电池”,“电源”}

  好的模子(Blei et al 2003)同时施行这两个劳动。焦点即是一个aspect,比方,{价钱,本钱,低廉,高贵,...}

  来自先前劳动/周围的少少常识可用于新劳动,比方,{price,cost}和{price,expensive}应属于统一焦点。

  古代的监视进修是一种封锁宇宙假说:测试中的类是操练中仍旧睹过的,也即是说,测试数据里没有新的类。

  咱们须要正在怒放宇宙中实行分类,检测到新的文档种别,也即是说,既要记住仍旧了解的常识,也要探寻未知的。

  疏漏象征法(RelaxationLabeling, RL)是一种无监视的基于图的标签传布算法,它可能通过终生进修实行扩展(Lifelong-RL),以诈骗正在以前的劳动中学到的常识。

  先前的edge:图时时不是给定或固定的,而是基于文本数据构修的。假使数据很少,不妨会失落许众边际,但这些边际不妨存正在于以前的某些劳动的图中。

  先前的label:初始的P0(L(ni))很难扶植,然则可能操纵先前劳动的结果更确实地实行扶植。

  这个题目适合操纵终生进修的方式:共享edge,entity和aspect,以及共享他们跨周围的label。

  它诈骗相依性特色,跟着模子取得更众的数据,能有更众的特性被识别出来。这些特性有助于正在新的周围操纵好像的模子发生更好的结果。

  LML的考虑现正在还处于起步阶段,对LML的理会十分有限,目前的考虑闭键会合正在惟有一品种型劳动的体系。LML须要大宗数据,以进修大宗区别类型的常识。

相关新闻推荐

关注官方微信

Copyright © 在线购彩app灯具有限公司 版权所有 网站地图