【WSDM2020】小数据学习,124页ppt,Learning with Small Data,宾夕法尼亚州立大学

2020 年 2 月 6 日 专知

WSDM 2020全称为第13届国际互联网搜索与数据挖掘会议(The 13thInternational Conference on Web Search and Data Mining, WSDM 2020),将于2020年2月3日-2月7日在美国休斯敦召开。宾夕法尼亚州立大学ZhenhuiLi, Huaxiu Yao, Fenglong Ma等做了关于小数据学习《Learning with Small Data》教程,124页ppt涵盖迁移学习与元学习等最新课题,是非常好的学习材料!


摘要:

在大数据时代,我们很容易收集到大量的图像和文本数据。然而,在一些领域,例如医疗保健和城市计算,我们经常面对现实世界中只有少量(标记的)数据的问题。挑战在于如何使机器学习算法在处理小数据时仍能很好地工作?为了解决这个挑战,在本教程中,我们将介绍处理小数据问题的最新机器学习技术。我们特别关注以下三个方面:(1)全面回顾了近年来在探索知识迁移的力量方面取得的进展,特别是在元学习方面;(2)介绍了将人类/专家知识纳入机器学习模型的前沿技术;(3)确定了开放的挑战数据增强技术,如生成性对抗网络。


目录:

  • 引言 Introduction

  • 从模型进行迁移知识 Transfer knowledge from models

    • 迁移学习 Transfer learning

    • 多任务学习 Multi-task learning

    • 元学习 Meta-learning

    • 应用 Applications


  • 领域专家知识迁移 Transfer knowledge from domain expert

    • Enrich representations using knowledge graph

    • Regularizing the loss function by incorporating domain knowledge


  • 数据增广 Data augmentation

    • Augmentation using labeled data

    • Augmentation using unlabeled data


地址

https://sites.psu.edu/wsdm20/


讲者介绍:


Zhenhui Li  是宾夕法尼亚州立大学信息科学与技术终身副教授。在加入宾夕法尼亚州立大学之前,她于2012年在伊利诺伊大学香槟分校获得了计算机科学博士学位,当时她是数据挖掘研究小组的成员。她的研究重点是挖掘时空数据,并将其应用于交通、生态、环境、社会科学和城市计算。她是一位充满激情的跨学科研究人员,一直积极与跨领域研究人员合作。她曾担任过许多会议的组织委员会或高级项目委员会,包括KDD、ICDM、SDM、CIKM和SIGSPATIAL。自2012年以来,她一直定期开设数据组织和数据挖掘课程。她的课程经常受到学生的好评。她获得了NSF职业奖、研究院青年教师优秀奖和乔治J.麦克默里教学院青年教师优秀奖。

https://faculty.ist.psu.edu/jessieli/Site/index.html



专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“小数据学习” 就可以获取小数据学习》,124页ppt专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资料
登录查看更多
3

相关内容

Arxiv
38+阅读 · 2020年3月10日
Arxiv
35+阅读 · 2020年1月2日
Arxiv
7+阅读 · 2019年5月31日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
5+阅读 · 2018年12月18日
Learning Recommender Systems from Multi-Behavior Data
Arxiv
11+阅读 · 2018年7月31日
VIP会员
相关VIP内容
相关论文
Arxiv
38+阅读 · 2020年3月10日
Arxiv
35+阅读 · 2020年1月2日
Arxiv
7+阅读 · 2019年5月31日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
5+阅读 · 2018年12月18日
Learning Recommender Systems from Multi-Behavior Data
Arxiv
11+阅读 · 2018年7月31日
Top
微信扫码咨询专知VIP会员