<code>關注微信公眾號：人工智能前沿講習，
對話框回覆“TRL”獲取PPT資料/<code> 

許多AI任務需要進行跨領域決策。例如，NLP任務中涉及的跨多種語言預測，其中不同的語言被視為不同的領域；在AI輔助生物醫學研究中，藥物副作用的預測通常與建模蛋白質和有機體的相互作用並行。

本教程針對有興趣將深度學習應用於跨領域決策任務的AI研究人員和從業人員。 這些任務包括多語言和跨語言自然語言處理，特定領域知識（domain-specific knowledge）以及不同數據模式等。

教程介紹

許多AI任務需要進行跨領域決策。為了支持機器學習模型解決此類跨領域任務，必須提取不同領域中數據的特徵和關係，並在統一表示形式下挖掘它們的關聯。為此，表示學習的最新進展通常涉及將不同領域的未標記數據映射到共享嵌入空間中。通過這種方式，可以通過向量整合和變換來實現跨領域知識轉移。此類可遷移表示方法已在涉及跨領域決策的一系列AI應用中取得了成功。

但是，相關研究目前還面臨著兩個挑戰：

• 如何在學習資源很少的情況下有效地從特定領域中提取特徵。
• 如何在最少的監督下精確地對齊和傳遞知識，因為不同域之間的對齊信息通常可能不足且嘈雜。

在本教程中，我們將全面回顧可遷移表示學習方法的最新進展，尤其是針對文本，multi-relational和multimedia 數據的方法。除了介紹領域內（intra-domain）嵌入學習方法外，我們還將討論各種半監督，弱監督，多視角和自監督學習方法，以連接多個特定領域的嵌入表示。我們還將比較領域內嵌入學習和跨領域對齊學習的改造和聯合學習過程。此外，我們將討論如何將獲得的可遷移表示形式用於解決數據匱乏和無標籤的學習任務。大家將瞭解該方向的最新趨勢和新挑戰，代表性工具和學習資源以獲取現有模型，大家還將學會如何將相關模型和技術應用於現實的AI應用中。

教程內容

本教程內容包括：

1. 針對未標記文本，multi-relational和multimedia 數據的表示學習方法;
2. 在有限監督下，跨多種表示的知識對齊和遷移方法;
3. 在自然語言理解，知識庫和計算生物學中，使用這些技術的AI應用;
4. 未來的發展和研究方向。

教程預覽

閱讀更多 人工智能前沿學生論壇 的文章

關鍵字: 人工智能 加州大學洛杉磯分校 新進展