【ICML2020-Tutorial】无标签表示学习,222页ppt,DeepMind

7 月 14 日 专知
【ICML2020-Tutorial】无标签表示学习,222页ppt,DeepMind

来自DeepMind 的S. M. Ali Eslami · Irina Higgins · Danilo J. Rezende的ICML 2020教程-自监督学习,222页ppt,非常干货!


无标签表示学习,也称为无监督或自监督学习,正在取得重大进展。新的自监督学习方法在大规模基准测试中取得了接近甚至超过了完全监督技术的性能,如图像分类。因此,无标签表示学习最终开始解决现代深度学习中的一些主要挑战。然而,为了继续取得进步,系统地理解学习表示的性质以及产生这些表示的学习目标是很重要的。


地址:

https://icml.cc/Conferences/2020/ScheduleMultitrack?event=5751


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“LWRL” 可以获取《ICML2020-无标签表示学习,222页ppt》总结》专知下载链接索引

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主题知识资源
登录查看更多
7

相关内容

借助现代的高容量模型,大数据已经推动了机器学习的许多领域的革命,但标准方法——从标签中进行监督学习,或从奖励功能中进行强化学习——已经成为瓶颈。即使数据非常丰富,获得明确指定模型必须做什么的标签或奖励也常常是棘手的。收集简单的类别标签进行分类对于数百万计的示例来说是不可能的,结构化输出(场景解释、交互、演示)要糟糕得多,尤其是当数据分布是非平稳的时候。

自监督学习是一个很有前途的替代方法,其中开发的代理任务允许模型和代理在没有明确监督的情况下学习,这有助于对感兴趣的任务的下游性能。自监督学习的主要好处之一是提高数据效率:用较少的标记数据或较少的环境步骤(在强化学习/机器人技术中)实现可比较或更好的性能。

自监督学习(self-supervised learning, SSL)领域正在迅速发展,这些方法的性能逐渐接近完全监督方法。

成为VIP会员查看完整内容
0
65
小贴士
相关论文
Zhenzhong Lan,Mingda Chen,Sebastian Goodman,Kevin Gimpel,Piyush Sharma,Radu Soricut
8+阅读 · 2019年10月30日
Canran Xu,Ruijiang Li
7+阅读 · 2019年6月3日
Kun Xu,Liwei Wang,Mo Yu,Yansong Feng,Yan Song,Zhiguo Wang,Dong Yu
10+阅读 · 2019年5月28日
Ke Sun,Zhanxing Zhu,Zhouchen Lin
5+阅读 · 2019年2月28日
DPOD: Dense 6D Pose Object Detector in RGB images
Sergey Zakharov,Ivan Shugurov,Slobodan Ilic
5+阅读 · 2019年2月28日
Relational Deep Reinforcement Learning
Vinicius Zambaldi,David Raposo,Adam Santoro,Victor Bapst,Yujia Li,Igor Babuschkin,Karl Tuyls,David Reichert,Timothy Lillicrap,Edward Lockhart,Murray Shanahan,Victoria Langston,Razvan Pascanu,Matthew Botvinick,Oriol Vinyals,Peter Battaglia
4+阅读 · 2018年6月28日
Eric M. Clark,Ted James,Chris A. Jones,Amulya Alapati,Promise Ukandu,Christopher M. Danforth,Peter Sheridan Dodds
4+阅读 · 2018年5月25日
Zhenghui Wang,Yanru Qu,Liheng Chen,Jian Shen,Weinan Zhang,Shaodian Zhang,Yimei Gao,Gen Gu,Ken Chen,Yong Yu
10+阅读 · 2018年4月28日
John Duchi,Hongseok Namkoong
5+阅读 · 2017年12月14日
Top