【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

坦白讲,作者讲的不是很好,理解还是很深刻的,学到了

2019-04-20 19:184回复 yrwubu

感觉作者使用auto encoder decoder 方式,将样本空间变换成连续空间,方向很好,但是网络是否能够很好的覆盖或者反应样本分布(加噪声其实是鲁棒性的一个小trick),因为这个网络本来也效果不是特别好啊

 

【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 

Element AI Research Scientist、纽约大学博士张翔,他将与大家分享的主题是GAN for Text:Hype or Real Deal?

届时,将从实用主义的角度分析文本生成对抗网络的可行性和研究意义。同时,通过对目前各类文本生成对抗网络论文的简略回顾,提出一些利用自编码器解决问题的研究方法和途径,以及一些探索性的初步结果。

【温馨提示】由于嘉宾时差问题,本次分享临时调整到北京时间4月18日(周四)晚7点

活动信息

主题:GAN for Text:Hype or Real Deal?

嘉宾:Element AI研究员、纽约大学博士 张翔

时间:北京时间4月18日(周四)19:00

地点:将门创投斗鱼直播间

分享提纲

生成对抗网络(Generative Adversarial Networks, GAN)是一种目前学界非常流行的生成模型训练方法,并且在图像生成上已经取得了非常好的效果。

本次分享通过比较图像数据和文本数据的不同点,以及分析生成对抗网络训练过程中所遇到的困难,以实用主义的角度分析文本生成对抗网络的可行性和研究意义。同时,通过对目前各类文本生成对抗网络论文的简略回顾,提出一些利用自编码器解决问题的研究方法和途径,以及一些探索性的初步结果。

本次分享主要分为以下几个内容:

  • 图像和文本数据的特性对比以及对生成对抗网络适用性的影响

  • 生成对抗网络的模式崩溃和训练难两大问题在文本数据上的体现

  • 问题归总和现有论文中的解决方法简略回顾

  • 利用特征抗噪自编码器解决生成对抗网络训练难题的初步结果

 

【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 【TBC】Element AI研究员张翔博士:文本生成对抗网络—是噱头还是真金?

 

 

 

上一篇:css-base-圆角控制文本小技巧


下一篇:CSS——内外边距及div居中