成电讲堂

分享到微信 ×
打开微信“扫一扫”
即可将网页分享至朋友圈
莫纳什大学三位学者做客我校学术沙龙
文:教师发展中心 来源:计算机学院 党委教师工作部、人力资源部(教师发展中心) 时间:2019-04-02 13563

  3月27日,莫纳什大学Wray Buntine教授、杜岚博士和常晓军博士做客学术沙龙,在清水河校区分别为我校师生带来题为“Nonparametric Methods for Classification and Non-negative Matrix Factorization”、“Learning Interpretable Topic Structure from Texts”和“面向视频目标切割的强化切割智能体学习”的学术报告,与师生共同探讨机器学习中处理数据的基本问题。本次活动由计算机科学与工程学院(网络空间安全学院)徐增林教授主持。

莫纳什1.jpg

  Wray Buntine 教授回顾了贝叶斯网络和非参数贝叶斯方法。非参数贝叶斯方法是2000年代机器学习最为典型和流行的机器学习方法,当时的主流就是对各种分布的非参数方法研究,例如Infinite Gaussian Mixture。在分类问题中,他介绍了采用非参数平滑改进贝叶斯网络分类器。通过整合,该模型的表现胜过了数据科学中公认的最先进领导者XGBoost。对于离散矩阵因子分解,他介绍了合并词嵌入或文档元数据等先验信息的LDA改进模型以及如何使用改进的吉布斯采样方法来求解模型。

莫纳什2.jpg

  文本分析主题建模的一个重要任务是提高模型的可解释性,可解释性的主题模型能够分析出整篇文章所包含的主题的从属或者独立关系。杜岚博士的报告围绕如何设计可解析性的主题模型来展开。首先解释了主题模型的基本原理和主题模型的应用,然后深入讲解了WEDTM(Word Embeddings Deep Topic Model)和DirBN(Dirichlet belief networks)两个模型架构。WEDTM模型是一个可以通过利用词向量来发现主题间和主题内结构的模型,主要由两部分模块构成,GBN模块用于构建主题间的结构关系,Sum Softplus则用于构建主题内的结构关系。理论和实验结果证明,WEDTM模型具有很强的可解析性,该成果现已发表在ICML2019国际顶级会议上。同时,他还讲到团队在NeurIPS(NIPS)2018上发表的“用于生成词语主题分布的多层神经网络”(DirBN)一文,通过把常用深度神经网络中的激活函数替换成概率分布,使得主题网络中的隐单元具有可解析性。报告中,他展示了DirBN的一些实验结果,实验结果证明其具有很好的鲁棒性和高准确率。

莫纳什3.jpg

  常晓军博士回顾了他们近几年在视频目标分割领域的工作,介绍了团队发表在CVPR 2018上的工作。报告内容围绕如何设计深度强化学习智能体来进行视频目标分割展开。他的工作是将视频目标分割任务看成一个马尔可夫决策过程,在深度强化学习算法框架下,智能体学习如何对视频中的目标进行分割。具体地将智能体动作空间定义为离散动作空间,来解决视频中像素过多导致的动作空间巨大的问题。该切割智能体由切割策略网络(cutting-policy network,CPN)和切割执行网络(cutting-execution network,CEN)两部分组成,CPN用于决定视频图像前景框和背景框位置策略,而CEN则根据CPN学到的策略执行进行视频目标分割操作。他提出的基于深度强化学习的视频目标分割方法在DAVIS和YouTube-Object基准数据集上都取得了非常优异的实验结果。

  本次沙龙由人力资源部教师发展中心主办,计算机科学与工程学院(网络空间安全学院)以及学院统计机器智能与学习实验室承办。

 


编辑:王晓刚  / 审核:王晓刚  / 发布:陈伟

"