衆所周知，大規模帶標籤的數據對於深度學習尤爲重要。在以圖像識別、機器翻譯等爲代表的任務中，深度神經網絡通過大量帶標籤的數據進行訓練。但這樣的前提存在兩個主要的侷限性。首先是人工標記數據的成本很高；其次是大規模標記數據獲取的難度較大。
爲了解決這一問題，在 NIPS 2016 上，微軟亞洲研究院提出了「一種新的機器學習範式」——對偶學習，利用任務互爲對偶的特點從無標註的數據中進行學習。它的訓練原理是怎樣，具體有哪些應用前景，近期又有着怎樣的進展？本期硬創公開課，雷鋒網榮幸地邀請到微軟亞洲研究院主管研究員秦濤博士，爲我們講述對偶學習的新進展。
主要內容
本次公開課內容如下：
1． 深度學習面臨的挑戰
2． 如何利用AI任務的結構對稱性從無標註數據進行學習
3． 監督學習中的對稱之美
4． 如何利用結構對稱性改進機器學習算法的推理測試過程
5． 對偶學習在圖像生成中的應用
6． 對偶學習和其他學習範式/方法的聯繫與區別
嘉賓介紹
秦濤博士，微軟亞洲研究院主管研究員，在國際會議和期刊上發表學術論文100餘篇，曾/現任機器學習及人工智能方向多個國際大會領域主席或程序委員會成員，曾任多個國際學術研討會聯合主席。秦濤博士是中國科學技術大學兼職博士生導師，IEEE、ACM會員。他的團隊的研究重點是深度學習和強化學習的算法設計、理論分析及在實際問題中的應用。
活動詳情
主題：對偶學習：人工智能的對稱之美
嘉賓：秦濤博士，微軟亞洲研究院主管研究員
時間：2017 年 5 月 4 日，週四晚上 8 點
形式：雷鋒網 APP 視頻直播，可在雷鋒網 App 直播頻道內「問答區」進行提問。
同步直播
雷鋒網(公衆號：雷鋒網) APP：直播頻道
鬥魚直播平臺：（房間號：788495），地址：https://www.douyu.com/788495
zaker： 直播頻道 首頁房間
關注「雷鋒網」公衆號，回覆167，進入行業微信羣討論。
