 |
|
|
| (Seminar) 判别式无监督学习的实验和理论发展 |
|
CAS Key Laboratory of Theoretical Physics
|
|
Institute of Theoretical Physics
|
|
Chinese Academy of Sciences
|
|
Seminar
|
|
Title
题目
|
判别式无监督学习的实验和理论发展 |
|
Speaker
报告人
|
|
|
Affiliation
所在单位
|
自动化所 |
|
Date
日期
|
3:00pm, Oct 22, 2020, Thursday |
|
Venue
地点
|
ITP South Building 6620
|
|
Contact Person
所内联系人
|
张潘 |
|
Abstract
摘要
|
特征表示模型将真实世界中的数据如图像或文本映射到低维的特征空间，是接下来的具体的分类、检测、搜索等下游任务的基础模型。近些年来，无监督表示模型作为预训练模型（如Seq2Seq，BERT）已经广泛应用于自然语言处理问题中，但在在图像处理领域类似的方法在前些年发展较为缓慢。最近两年来，随着判别式无监督学习的提出，图像的无监督表示学习方法有快速的发展。本次报告简要回顾图像的无监督表示学习最近几年来的发展。我们将分别从经验式的模型研究和基于最大互信息的理论研究这两条路径来介绍该方法，并在最后介绍使用梯度流理论来分析浅层无监督表示学习模型。 |
|
|
 |
|
