报告题目：基于对抗训练的迁移学习
报告摘要：在传统的监督式机器学习中，训练模型的精度高度依赖于大量的优质带标签数据。然而，在现实场景中，对大量数据进行精确的标记需要消耗大量的人力物力。为了应对标签危机，迁移学习算法应运而生。迁移学习算法能够从带标签数据集中学习到特征表达，并将该特征表达泛化到无标签的数据集中，实现知识的迁移。一般的迁移学习算法处理两个数据集：有标签的数据集被称为源域数据集，缺少标签（或无标签）的数据集被成为目标域数据集。迁移学习算法的目标就是将这两个数据集中的数据点映射到隐空间中，得到源域特征分布和目标域特征分布，通过对抗训练最小化源域特征分布和目标域特征分布的距离，学习到域不变特征。域不变特征即为源域和目标域之间可迁移的知识。本次报告主要介绍对抗训练在迁移学习（主要是域适配和多域文本分类）中的应用。
报告人简介：邬渊，本科毕业于北京化工大学计算机科学专业，硕士毕业于兰州大学软件工程专业，博士就读于加拿大卡尔顿大学，博士期间的GPA: 100%。研究方向为迁移学习(transfer learning)，尤其针对迁移学习的两个子领域——域适配(domain adaptation)和多域文本分类(multi-domain text classification)。博士期间发表论文7篇，获得卡尔顿大学计算机学院奖学金，AAAI 2020 奖学金, EACL adapt-NLP workshop 最佳论文奖，AISTATS 2022 优秀审稿人奖，卡尔顿大学2022优秀毕业生奖。
报告时间：2022年5月16日 （星期一）上午9:00-10:00
报告地点：腾讯会议：763-791-440
