学术报告

      对抗式多任务学习是针对普通的多任务学习模型在共享特征提取时，可能会被特定任务的特定特征所污染的问题所提出的，提出了一种Shared-Private Model，定义了共享与私有两个特征空间，训练时沿用生成式对抗网络的思想以及正交约束减轻了私有与共享特征空间中的冗余特征。可以应用于多种场景…

      面对渴求大量数据的深度学习，数据扩增方法可以缓和一部分需求，但数据扩增方法往往只应用在有监督学习设定中，带来的提升也较为有限。GoogleAI最新提出了一种在半监督学习设定中，把数据扩增方法运用在未标注数据上的新方法。他们的方法，无监督数据扩增 UDA，会鼓励模型面对未标注数据和扩增过的…

      基于统计的命名实体识别方法根据特征的获取方式，有神经网络和特征工程两个研究方向，实践表明来自知识库的词典特征并不能被神经网络完全取代。本次报告首先解释了命名实体识别、知识库等概念；接下来，按照历史发展的顺序描述现存的知识库利用方法，其中重点介绍基于神经网络的知识库利用方法；然后，展示实验…

      多标签学习的研究对于多义性对象的学习建模具有十分重要的意义，现已逐渐成为机器学习界一个新的研究热点。本次报告将对多标签学习的研究现状做一个简介，首先给出多标签学习的定义与面临的主要问题，并介绍多标签性能评价指标，然后介绍几种具有代表性的多标签学习算法。 附件-多标签学习综述.pdf

      本次学术报告介绍了集成学习和在线学习基本思想，对离线bagging（装袋）和离线boosting（提升）的基本原理进行了简单回顾，并详细介绍了在线bagging和在线boosting的算法原理。 附件-在线集成学习.pdf

      机器学习模型可化简为求解一个目标函数/损失函数的最优化问题，根据优化目标及约束的不同，可划分为凸优化（Convex optimization）与非凸优化（Non-convex optimization）两类。本次报告首先回顾了优化问题及凸优化的相关理论知识，进而面向机器学习中因目标函数非…

      内存管理是指软件运行时对计算机内存资源的分配和使用的技术。其最主要的目的是如何高效，快速的分配，并且在适当的时候释放和回收内存资源。本次报告分三个方面来讲：核心结构体，关键函数，初始化源码分析。 附件-Glibc内存管理2.pdf

      内存管理是指软件运行时对计算机内存资源的分配和使用的技术。其最主要的目的是如何高效，快速的分配，并且在适当的时候释放和回收内存资源。本次报告分三个方面来讲：基础知识，Glibc的该书，源码分析。 附件-Glibc内存管理1.pdf