Yan LeCun 109页最新报告:图嵌入, 内容理解,自监督学习(附PPT下载)

2018 年 11 月 13 日 专知

【导读】Yan Lecun 十月份在Google matrix: fundamentals, applications and beyond 研讨会上做了《图嵌入, 内容理解,自监督学习》的报告。 报告中回顾了各种监督方法在计算式视觉领域取得的重大突破,比如Mask-RCNN, 并强调了未来对非结构化数据比如Graph进行表示学习的重要性。



Yan Lecun还介绍了自己的几项在内容理解上的最新工作,比如利用对抗学习的视频预测。Yan Lecun在报告中指出自监督学习(Self-supervised learning)可以作为强化学习的一种潜在解决方案,因为自监督学习将输入和输出都当成完整系统的一部分,使得它在诸如图像补全,图像迁移,时间序列预测等任务上都非常有效。此外自监督模型的复杂度随着额外反馈信息的加入而增加,可以在很大程度上减少计算过程中人为的干预。


自监督学习部分可以阅读专知以前的报道

Yan Lecun 自监督学习:机器能像人一样学习吗? 110页PPT+视频


请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知)

  • 后台回复“GECUSSL” 就可以获取全文报告 PPT下载链接~ 


 个人主页:

http://yann.lecun.com


报告PPT


-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群,获取专业知识教程视频资料和与专家交流咨询!


请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!


请加专知小助手微信(扫一扫如下二维码添加),加入专知主题群(请备注主题类型:AI、NLP、CV、 KG等)交流~

 AI 项目技术 & 商务合作:bd@zhuanzhi.ai, 或扫描上面二维码联系!

请关注专知公众号,获取人工智能的专业知识!

点击“阅读原文”,使用专知

登录查看更多
19

相关内容

自监督学习(self-supervised learning)可以被看作是机器学习的一种“理想状态”,模型直接从无标签数据中自行学习,无需标注数据。
【牛津大学&DeepMind】自监督学习教程,141页ppt
专知会员服务
177+阅读 · 2020年5月29日
Yann Lecun 纽约大学《深度学习(PyTorch)》课程(2020)PPT
专知会员服务
178+阅读 · 2020年3月16日
最新!Yann Lecun 纽约大学Spring2020深度学习课程,附PPT下载
基于深度学习的文本生成【附217页PPT下载】
专知
35+阅读 · 2018年11月24日
自然语言处理(NLP)前沿进展报告(PPT下载)
机器学习数学基础【附PPT下载】
专知
45+阅读 · 2018年9月17日
【干货】图卷积GCN前沿方法介绍
专知
32+阅读 · 2018年9月1日
Arxiv
5+阅读 · 2016年10月24日
VIP会员
Top
微信扫码咨询专知VIP会员