面向自然語言處理的神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的答辯PPT

現(xiàn)實(shí)中的自然語言處理面臨著多領(lǐng)域、多語種上的多種類型的任務(wù)，為每個(gè)任務(wù)都單獨(dú)進(jìn)行數(shù)據(jù)標(biāo)注是不大可行的。遷移學(xué)習(xí)可以將學(xué)習(xí)的知識(shí)遷移到相關(guān)的場景下。本文介紹 Sebastian Ruder 博士的面向自然語言處理的神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的答辯 PPT。

NLP 領(lǐng)域活躍的技術(shù)博主Sebastian Ruder 最近順利 PhD 畢業(yè)，下周即將進(jìn)入 DeepMind 開啟 AI 研究員生涯。

Sebastian Ruder 博士的答辯 PPT《Neural Transfer Learning for Natural Language Processing》介紹了面向自然語言的遷移學(xué)習(xí)的動(dòng)機(jī)、研究現(xiàn)狀、缺陷以及自己的工作。

Sebastian Ruder 博士在 PPT 中闡述了使用遷移學(xué)習(xí)的動(dòng)機(jī)：

state-of-the-art 的有監(jiān)督學(xué)習(xí)算法比較脆弱：

易受到對抗樣本的影響

易受到噪音數(shù)據(jù)的影響

易受到釋義的影響

現(xiàn)實(shí)中的自然語言處理面臨著多領(lǐng)域、多語種上的多種類型的任務(wù)，為每個(gè)任務(wù)都單獨(dú)進(jìn)行數(shù)據(jù)標(biāo)注是不大可行的，而遷移學(xué)習(xí)可以將學(xué)習(xí)的知識(shí)遷移到相關(guān)的場景下

許多基礎(chǔ)的前沿的 NLP 技術(shù)都可以被看成是遷移學(xué)習(xí)：

潛在語義分析 （Latent semantic analysis）

Brown clusters

預(yù)訓(xùn)練詞向量（Pretrained word embeddings）

已有的遷移學(xué)習(xí)方法往往有著下面的局限性：

過度約束：預(yù)定義的相似度指標(biāo)，硬參數(shù)共享

設(shè)置定制化：在一個(gè)任務(wù)上進(jìn)行評價(jià)，任務(wù)級別的共享策略

弱 baseline：缺少和傳統(tǒng)方法的對比

脆弱：在領(lǐng)域外表現(xiàn)很差，依賴語種、任務(wù)的相似性

低效：需要更多的參數(shù)、時(shí)間和樣本

因此，作者認(rèn)為研究遷移學(xué)習(xí)需要解決下面的這些問題：

克服源和目標(biāo)之間的差距

引起歸納偏置

結(jié)合傳統(tǒng)和現(xiàn)有的方法

在 NLP 任務(wù)中跨層次遷移

泛化設(shè)置

作者圍繞遷移學(xué)習(xí)做了 4 個(gè)方面的工作：

領(lǐng)域適應(yīng)（Domain Adaption）

跨語種學(xué)習(xí)（Cross-lingual learning）

多任務(wù)學(xué)習(xí)（Multi-task learning）

序列遷移學(xué)習(xí)（Sequential transfer learning）

具體內(nèi)容可在 Sebastian Ruder 博士的完整答辯 PPT 中查看。