報(bào)告題目：Unsupervised Feature Representation Learning via Random Features for Structured Data: Theory, Algorithm, and Applications（結(jié)構(gòu)化數(shù)據(jù)的非監(jiān)督特征學(xué)習(xí)：理論，算法，及應(yīng)用）
報(bào)告人：吳凌飛 研究員
單位：IBM全球研究院總部（IBM T.J. Watson Research Center)
報(bào)告時(shí)間：2018-11-12（周一）上午10:00
報(bào)告地點(diǎn)：翡翠湖校區(qū)翡翠科教樓A座909會(huì)議室
摘要：大部分的機(jī)器學(xué)習(xí)算法只專門設(shè)計(jì)給模型輸入是向量的情況。對(duì)于結(jié)構(gòu)化數(shù)據(jù)比如文本和圖，因?yàn)闆]有顯示的特征矩陣輸入，許多工作都是為了從這些復(fù)雜數(shù)據(jù)中提取有效的特征矩陣。盡管現(xiàn)在深度學(xué)習(xí)已經(jīng)能夠?qū)W習(xí)很多特征表示，但依賴基于標(biāo)注數(shù)據(jù)的監(jiān)督學(xué)習(xí)。本講座主要介紹如何從沒有標(biāo)注的數(shù)據(jù)中提取特征表示。報(bào)告包括兩個(gè)部分。在第一部分介紹D2KE,一個(gè)通用的機(jī)器學(xué)習(xí)新算法來學(xué)習(xí)怎么從一個(gè)距離函數(shù)來學(xué)習(xí)一個(gè)核函數(shù)和對(duì)應(yīng)的特征表示(ICLR'19 submission)。第二部分主要介紹如何把D2KE應(yīng)用到時(shí)間數(shù)據(jù)和文本數(shù)據(jù)來有效提取特征表示(AIStats'18, oral paper)(EMNLP'18)。
講者簡介：吳凌飛，IBM全球研究院總部（IBM T.J. Watson Research Center)研究員 ， 威廉瑪麗大學(xué)計(jì)算機(jī)系博士，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)，深度學(xué)習(xí)，表征學(xué)習(xí)，自然語言處理，大數(shù)據(jù)。吳博士已經(jīng)發(fā)表20幾篇頂尖雜志和會(huì)議，包含KDD, ICDM, AISTATS, EMNLP, AAAI, ICASSP, SC, SIAM Journal on Scientific Computing, IEEE Transaction on Big Data, and Journal of Computational Physics。吳博士同時(shí)也是13項(xiàng)美國專利的發(fā)明人。吳博士長期擔(dān)任其相關(guān)研究領(lǐng)域多家國際頂尖雜志的評(píng)審，比如SIAM Journal on Scientific Computing, SIAM Journal on Matrix Analysis and Applications, IEEE Transactions on Parallel and Distributed Systems, IEEE Transactions on Knowledge and Data Engineering, IEEE Transactions on Big Data, ACM Transactions on Management Information Systems, Data Mining and Knowledge Discovery, Pattern Recognition, and Future Generation Computer Systems。吳博士同時(shí)擔(dān)任了IEEE Big Data'18 Tutorial Co-Chair (講座主席)， 并長期擔(dān)任AI/ML/DL/DM國際頂會(huì)的TPC (技術(shù)委員會(huì)委員)， 如ICML'19, ICLR'19, WSDM'19, ACML'18, NIPS'18, ICML'18, IJCAI'18, KDD'18, ICDM'18, ICASSP'18, AAAI'18, WSDM'18, ICDM'17, IJCAI'17, BigData'17, KDD'17, AAAI'17, ICSSAP’17, and BigData'16。
TOP
