中国科大学位与研究生教育
课程名称: 教师:
当前位置:
 >> 
 >> 
基于结构化数据随机特征的非监督特征表示学习:理论、算法和应用
基于结构化数据随机特征的非监督特征表示学习:理论、算法和应用
教师介绍

本讲教师:吴凌飞
所属学科:工科
人  气:297

课程介绍
吴凌飞,IBM全球研究院总部(IBM T.J. Watson Research Center) 研究员,威廉玛丽大学计算机系博士,主要研究方向为机器学习,深度学习,表征学习,自然语言处理,大数据。已经发表20几篇顶尖杂志和会议,同时也是13项美国专利的发明人。吴博士长期担任多家国际顶尖杂志的评审,同时担任IEEE Big Data'18 Tutorial Co-Chair,并长期担任AI/ML/DL/DM国际顶会的TPC,如ICML'19, ICLR'19等。 Most standard machine models are designed for inputs with a vector feature representation. For many structured inputs such as time-series, strings, histograms, and graphs, since there are no explicit features in data, much work has aimed to develop the effective representation of these complex inputs. Despite the great success of Deep Learning models have achieved, we aim to develop a generic methodology to learn feature representation directly from "unlabeled" data for structured inputs. In the first part of this talk, we will first talk about D2KE, a generic framework to learn a kernel and its embedding from any distance (ICLR'19 submission). In the second part, I will present how to apply D2KE for learning embeddings of multivariate time-series (AIStats'18, oral paper). In the third part, I will discuss how to apply D2KE for learning universal text embedding from pre-trained word embedding (EMNLP'18).

评论

针对该课程没有任何评论,谈谈您对该课程的看法吧?
  • 用户名: 密 码:
致谢:本课件的制作和发布均为公益目的,免费提供给公众学习和研究。对于本课件制作传播过程中可能涉及的作品或作品部分内容的著作权人以及相关权利人谨致谢意!
课件总访问人次:17075511
中国科学技术大学研究生网络课堂试运行版,版权属于中国科学技术大学研究生院。
本网站所有内容属于中国科学技术大学,未经允许不得下载传播。
地址:安徽省合肥市金寨路96号;邮编:230026。TEL:+86-551-63602922;E-mail:wlkt@ustc.edu.cn。