亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

普林斯頓大學陳丹琦和 Facebook的Danqi Chen在ACL2020的tutorial-開放域問答

自然語言處理領域頂級會議 ACL 2020 將于 7 月 5 日至 10 日在線上舉行。本屆 ACL 共接收論文 779 篇，接收率 25.2%。

本教程提供了關于開放域問答(QA)方面前沿研究的全面概述，QA的任務是使用大量不同主題的文檔集合回答問題。我們將首先給出一個簡要的歷史背景，討論研究問題的基本設置和核心技術挑戰，然后描述具有共同評價指標和基準的現代數據集。然后，重點將轉向為開放領域QA提出的最新模型，包括兩階段檢索-讀者方法、密集檢索和端到端訓練，以及無檢索方法。最后，我們將介紹一些使用文本和大型知識庫的混合方法，并以一些重要的開放問題結束本教程。我們希望本教程不僅能幫助讀者獲得最新的知識，還能提供新的視角，以促進下一階段開放領域QA研究的進展。

書名： Mining of Massive Datasets

前言

這本書是由Jure Leskovec和Anand Rajaraman幾年來為斯坦福大學四分之一課程開發的材料發展而來的。名為《網絡挖掘》的CS345A課程被設計成一門高級研究生課程，盡管它已經成為高級本科生的必修課和興趣所在。當Jure Leskovec加入斯坦福大學時，我們對材料進行了大量的重組。他介紹了一門新的網絡分析課程CS224W，并在CS345A中加入了新的材料，重新編號為CS246。三位作者還介紹了一個大型數據挖掘項目課程CS341。這本書現在包含了所有三門課程的內容。

主要內容：

在最高級別的描述中，這本書是關于數據挖掘的。但是，它側重于對非常大的數據進行數據挖掘，也就是說，數據大到無法裝入主內存。由于對大小的強調，我們的許多示例都是關于Web或來自Web的數據的。此外，該書采用了算法的觀點:數據挖掘是將算法應用于數據，而不是使用數據來訓練某種機器學習引擎。主要議題包括:

1. 分布式文件系統和map-reduce作為創建并行算法的工具，可以成功地處理大量數據。
2. 相似度搜索，包括minhashing和localitysensitive hashing的關鍵技術。
3. 數據流處理和專門的算法，用于處理快速到達的數據，這些數據必須立即處理，否則就會丟失。
4. 搜索引擎的技術，包括谷歌的PageRank，鏈接垃圾郵件檢測，以及hubs-and-authorities的方法。
5. 頻繁項集挖掘，包括關聯規則、市場籃子、a -先驗算法及其改進。
6. 算法聚類非常大，高維數據集。
7. Web應用程序的兩個關鍵問題:管理廣告和推薦系統。
8. 用于分析和挖掘非常大的圖的結構的算法，特別是社會網絡圖。
9. 通過降維獲得大數據集重要屬性的技術，包括奇值分解和潛在語義索引。
10. 機器學習算法，可以應用于非常大的數據，如感知機，支持向量機，梯度下降。

簡介： 許多人工智能任務需要跨域決策。例如，許多NLP任務涉及跨多種語言的預測，其中不同語言可以被視為不同的領域；在人工智能輔助的生物醫學研究中，藥物副作用的預測通常與蛋白質和生物體相互作用的建模并行。為了支持機器學習模型來解決這類跨域任務，需要提取不同域中數據組件的特征和關系，并在統一的表示方案中捕獲它們之間的關聯。針對這一需求，表示學習的最新進展往往涉及到將不同域的未標記數據映射到共享嵌入空間。這樣，就可以通過向量配置或變換來實現跨領域的知識轉移。這種可轉移的表示在涉及跨域決策的一系列人工智能應用中取得了成功。然而，這一領域的前沿研究面臨著兩大挑戰。一是在學習資源很少的情況下，有效地從特定領域提取特征。另一種方法是在最少的監督下精確地對齊和傳輸知識，因為連接在不同域之間的對齊信息常常是不足的和有噪聲的。在本教程中，我們將全面回顧可轉移表示學習方法的最新發展，重點是針對文本、多關系和多媒體數據的方法。除了介紹域內嵌入學習方法外，我們還將討論各種半監督、弱監督、多視圖和自監督學習技術，以連接多個特定域的嵌入表示。我們還將比較域內嵌入學習和跨域對齊學習的改進和聯合學習過程。此外，我們將討論如何利用獲得的可轉移表示來解決低資源和無標簽的學習任務。參與者將了解本主題的最新趨勢和新挑戰，獲得現成模型的代表性工具和學習資源，以及相關模型和技術如何有利于現實世界的人工智能應用。

主講人簡介： Muhao Chen，博士后。他于2019年獲得加州大學洛杉磯分校計算機科學博士學位。他的研究重點是結構化和非結構化數據的數據驅動機器學習方法，并將其應用擴展到自然語言理解、知識庫構建、計算生物學和醫學信息學。特別是，他感興趣的是開發具有概括性且需要最少監督的知識感知學習系統。他的工作在主要會議和期刊上發表了30多篇文章。他的論文研究獲得了加州大學洛杉磯分校的論文獎學金。個人主頁：//muhaochen.github.io/等

題目： Recent Advances in Neural Question Generation

摘要： 神經問題生成（NQG）的新興研究已經開始整合大量的輸入，并產生需要更高水平認知的問題。這些趨勢表明，NQG是NLP的領頭羊，是人類智能如何體現好奇心和整合能力的，我們對神經問題的產生進行了全面的調查，考察了語料庫、方法和評價方法。在此基礎上，我們闡述了我們所看到的NQG的發展趨勢：NQG所考慮的學習范式、輸入模式和認知水平。

作者簡介： Liangming Pan，重慶大學教授。

Tat-Seng Chua是新加坡國立大學計算機學院的KITHCT講座教授。他擁有博士學位。來自英國利茲大學。 1998年至2000年，他擔任該學院的代理和創始院長。蔡博士的主要研究興趣是多媒體信息檢索和社交媒體分析。特別是，他的研究重點在于從網絡和多個社交網絡中提取和檢索文本和富媒體（QA）。他是NExT的聯合主任，NExT是NUS與清華大學之間的聯合中心，致力于開發實時社交媒體搜索技術。蔡博士因其對多媒體計算，通信和應用的杰出技術貢獻而榮獲2015年ACM SIGMM大獎。他是ACM國際多媒體檢索會議（ICMR）和多媒體建模（MMM）會議系列指導委員會主席。蔡博士還是ACM Multimedia 2005，ACM CIVR 2005，ACM SIGIR 2008和ACM Web Science 2015的聯合主席。他在四家國際期刊的編輯委員會任職。蔡博士是新加坡兩家技術初創公司的聯合創始人。

教程題目：Unsupervised Cross-Lingual Representation Learning

教程簡介：

在本教程中，將會對弱監督、無監督跨語言詞表征領域的最新最前沿成果進行一次完整的綜述。在簡要介紹了監督跨語言詞表示的歷史之后，重點介紹以下內容:

1. 如何在資源非常有限以至于無法保證雙語監督的情況下引入弱監督以及無監督的跨語言詞表征;
2. 在無監督方法無法高效運行的情況下檢驗不同訓練條件和要求的效果;
3. 用于弱關聯性語言之間的更魯棒的方法能夠改善不穩定以及表現不佳的問題;
4. 如何綜合評價這種表述;
5. 介紹能從跨語言詞表征中獲得收益的實際應用(如MT、對話、跨語言序列標記和結構化預測應用、跨語言IR)

組織者：

Sebastian Ruder是倫敦DeepMind的一名研究科學家。在Insight數據分析研究中心完成了自然語言處理和深度學習的博士學位，同時在柏林的文本分析初創公司AYLIEN擔任研究科學家。

Anders S?gaard是哥本哈根大學計算機科學自然語言處理與機器學習教授，同時是柏林谷歌的訪問科學家。

Ivan Vuli?目前擔任劍橋大學詞匯項目(2015-2020年跨語言詞匯習得)的高級研究員。在庫魯汶大學獲得了計算機科學博士學位，研究興趣是自然語言處理、人類語言理解、機器學習理論和應用,信息檢索,主要在多語言/跨語言和多模式設置,包括(但不限于)雙語詞典提取和跨語言語義建模、跨語言和多語言信息檢索,分布語義,跨語言文本挖掘和知識轉移,語言基礎和認知建模的語言,詞匯獲取、文本表示學習、潛在主題模型、文本數據的概率建模、術語挖掘和對齊、機器翻譯、資源稀缺語言的無監督技術、多習慣用法和多模態信息搜索和檢索、多模態和視覺/感知增強語義等。

教程題目：Computational Analysis of Political Texts: Bridging Research Efforts Across Communities

教程簡介：

使用計算方法來研究政治文本的范圍急劇擴大，使政治科學中的文本即數據社區得以持續增長。NLP方法已被廣泛用于許多分析和任務，包括從文本記錄中推測某人的政治立場，檢測政治文本中的觀點，以及分析政治溝通中的文體運用（比如制定政治議程過程中語意模糊性起到的作用）。政治學家創建了資源并使用可用的NLP方法來處理文本數據，這在很大程度上與NLP社區隔離。

與此同時，NLP的研究人員處理了密切相關的任務，如選舉預測、意識形態分類和立場檢測。這兩個社區仍然很大程度上彼此不可知，NLP研究人員大多不知道政治科學中有趣的應用程序和用例，而政治科學家在將前沿NLP方法應用到他們的問題上落后。本教程將全面概述政治文本的計算分析工作。首先查看文本數據在政治分析中所扮演的角色，然后繼續研究文本即數據的政治科學社區所處理的具體資源和任務。接下來，介紹NLP社區迄今為止所做的研究工作，重點介紹對政治文本進行專題分析的方法，包括無監督的主題歸納和監督的主題分類研究。最后，以政治文本標度作為本教程的結尾，這是文本數據中意識形態檢測的一個具有挑戰性的任務，它是定量政治學的核心，最近也引起了NLP學者的注意。

組織者：

GoranGlava?是德國曼海姆大學博士教授，跨學科研究文本分析初級教授，研究興趣是詞匯和計算語義，信息提取，多語言和跨語言NLP，NLP在社會科學和人文學科中的應用，信息檢索。

Federico Nanni是艾倫·圖靈研究所的研究數據科學家，是研究工程小組的一員，也是倫敦大學高級研究學院的訪問學者。目前研究人文數字、計算社會科學、互聯網研究和自然語言處理之間的交叉。

Simone Paolo Ponzetto于2013年2月加入數據與網絡科學小組，擔任初級教授，并于2016年2月起擔任曼海姆大學信息系統III講座教授。

主題： Mathematics of Deep Learning

摘要： 本教程將介紹一些深神經網絡的理論結果，其目的是為屬性提供數學證明，如逼近能力、收斂性、全局最優性、不變性、學習表征的穩定性、泛化誤差等。討論了該理論在神經網絡訓練中的應用。本教程將從90年代早期的神經網絡理論（包括著名的Hornik等人的研究成果）開始。還有Cybenko）。接下來，我們將討論過去五年中為深度學習而建立的最新理論成果。文中還將討論該理論所遵循的實際考慮。

邀請嘉賓： Raja Giryes，是特拉維夫大學電氣工程學院的助理教授。他獲得了海拉以色列理工學院計算機科學系理學學士（2007）、理學碩士（M.Elad教授和Y.C.Eldar教授監督，2009）和博士（M.Elad教授監督，2014）學位。Raja是Technion（2013年11月至2014年7月）計算機科學系和杜克大學G.Sapiro教授實驗室（2014年7月和2015年8月）的博士后。他的研究興趣在于信號和圖像處理與機器學習的交叉點，特別是在深度學習、反問題、稀疏表示和信號和圖像建模方面。Raja獲得了EURASIP最佳博士獎、ERC StG獎、Maof優秀青年教師獎（2016-2019）、VATAT優秀博士后獎學金（2014-2015）、英特爾研究與卓越獎（2005、2013），德克薩斯儀器公司（2008）頒發的信號處理卓越獎（ESPA），是Azrieli研究員計劃（2010-2013）的一部分。

下載鏈接： 鏈接：//pan.baidu.com/s/1tHvvi7codVe4kdb1quZB1w 提取碼：99fm

報告主題： Fine-grained Opinion Mining: Current Trend and Cutting-Edge Dimensions

簡介：

細粒度意見挖掘(也稱為基于方面的情緒分析)旨在提取關于意見目標(方面)、意見持有者以及對他們表達的意見/情緒的知識，從而生成結構化的意見摘要。這項任務被證明是更重要和更有挑戰性的，提供了一個深入的分析固執己見的文本，但在社區討論不足，相比于整體情緒評分分類。本教程旨在回顧該領域現有的工作，包括3個主要的子任務，即基于方面的情感分類、與方面相關的提取和總結。我們介紹了各種模型結構，包括基于特征的、基于規則的和基于深度學習的模型，這些模型側重于開發輸入文本之間復雜的字級交互，并促進了這些方法的通用性，以用于有效的知識提取。除了單領域的研究，下一步是探索跨領域、跨語言和多模式的策略。盡管更具挑戰性，但這些替代方案促進了細粒度意見挖掘的開發，因為在實際行業中，只有有限的資源可以使用細粒度注釋。我們介紹了一些現有的研究，旨在為這些前沿的研究方向提供更多的見解。

邀請嘉賓：

虞劍飛是新加坡管理大學信息系統學院研究員，他的研究集中在深度學習和遷移學習的許多自然語言處理任務，包括情緒分析、信息提取和問題回答。