NeurIPS直播报名 | 定档12.6! 微软亚洲研究院专场: 秦涛携D&RL组亮相将门！

原创星星眼期待的将门创投今天

收录于话题

#NeurlPS 2020 10

#微软亚洲研究院 1

#深度学习 6

#强化学习 4

继MIT HAN Lab、北大相机智能实验室专场之后，从第三弹开始，「NeurIPS 2020群星闪耀云际会·机构专场」系列活动正式迎来MSRA专场！微软亚洲研究院·深度和强化学习组，下周如约亮相将门！

北京时间12月6日(周日)9:00，微软亚洲研究院首席研究员、深度和强化学习组负责人—秦涛将携手团队小伙伴清华大学计算机系在读博士生—林子钏，MSRA研究实习生—罗人千，及南京理工大学计算机系在读博士生—宋恺涛与大家在云端相见，分享他们在NeurIPS 2020中的精彩工作。

点击查看往期预告：

第①弹：MIT HAN Lab专场

第②弹：北大相机智能实验室专场

一张图告诉你

活动信息

▼

福利预告：入群可参与会议讨论，

获取直播地址、回放视频、课件，

还有不定期红包发放哦~

长按下图二维码即可报名

机构介绍

▼

微软亚洲研究院·深度和强化学习组，从算法和实践两个方面推动了深度学习和强化学习的研究，其研究领域涵盖深度表示学习、深度结构学习、深度强化学习、自动机器学习、迁移学习、生成模式和因果学习等方面。

嘉宾介绍

▼

秦涛

# 微软亚洲研究院

首席研究员、

深度和强化学习组负责人

秦涛博士，微软亚洲研究院首席研究员、深度和强化学习组负责人，IEEE、 ACM高级会员，中科大客座教授。他的研究兴趣包括深度学习及其在自然语言语音图像处理中的应用、强化学习及其在游戏AI和实际问题中的应用、博弈论和多智能体系统及其在云计算和在线广告中的应用、信息检索和计算广告。

秦涛团队提出的对偶学习及其他技术，助力微软于2018年在中英新闻翻译任务上达到了人类专家的水平，并于次年获得WMT2019机器翻译比赛8项冠军；于2019年设计了目前最高效的语音合成模型FastSpeech，支撑了微软云Azure上的所有语音 (涵盖50+语言) 合成服务；于2019年研发了史上最强麻将AI Suphx，在“天凤”平台荣升十段，稳定段位显著超越人类顶级选手。

个人主页：

http://reserach.microsoft.com/~taoqin

林子钏

# 清华大学计算机系

在读博士生

林子钏，清华大学计算机系五年级博士生。研究方向为深度强化学习算法中的样本效率、鲁棒性、可解释性以及深度强化学习在对话系统中的应用。研究成果发表于NeurIPS、ICLR、IJCAI等人工智能国际会议。

个人主页：

http://linzichuan.github.io/

点击查看林子钏 NeurIPS 2020 论文解读：

[ 清华联合斯坦福：基于模型的对抗元强化学习 ]

罗人千

# 微软亚洲研究院

研究实习生

罗人千，中国科学技术大学与微软亚洲研究院联合培养博士生，研究方向是深度学习、自动化机器学习、神经网络结构搜索、神经机器翻译及自然语言处理。

个人主页：

http://home.ustc.edu.cn/~lrq/

宋恺涛

# 南京理工大学计算机系

在读博士生

宋恺涛，南京理工大学计算机科学与应用专业在读博士生。研究方向为自然语言处理，包括机器翻译、预训练模型、语言生成等方向。在ICML、NeurIPS、IJCAI、COLING、TIP等顶级会议及期刊发表了多篇论文。他的多项研究成果应用在微软的产品中。

个人主页：

https://scholar.google.com.hk/citations?user=LLk9dR8AAAAJ&hl=en

NeurIPS 2020工作抢先看

▼

①

主讲人：林子钏

强化学习算法可以由更细粒度的奖励函数大幅提升样本效率，但自主学习该细粒度奖励函数的方法目前还很不成熟。之前的工作中，尚未有广泛通用的学习细粒度奖励函数的工作。受到最近非耦合表示的工作的启发，在我们的工作中，我们以更通用的方式来定义并学习一个最优细粒度奖励函数。

论文链接：

https://papers.nips.cc/paper/2020/file/82039d16dce0aab3913b6a7ac73deff7-Paper.pdf

②

主讲人：罗人千

神经网络结构搜索依赖于从大量的“神经网络结构-精度”这样的数据中进行学习，来产生更高精度的网络结构。然而由于训练和评测神经网络比较耗时，获取大量这样的数据是非常困难的。在本工作中，我们提出利用半监督学习方法，从大量无标签的神经网络结构（即没有相应的精确度）中进行学习，来帮助提升神经网络结构搜索的效果。

论文链接：

https://arxiv.org/abs/2002.10389

③

主讲人：宋恺涛

预训练模型是自然语言处理任务中非常重要的模块，在工业界和学术界都拥有广泛的应用。基于掩码语言模型的BERT和基于排列语言模型的XLNet在自然语言理解任务上取得了不错的成果。但他们依然存在着与下游不一致的问题。针对这一问题，我们分析了掩码语言模型和排列语言模型的优缺点，并提出了MPNet来结合他们各自的优点。实验结果表明，我们的MPNet在多个数据集上都取得了更好的结果。

论文链接：

https://arxiv.org/abs/2004.09297

激动的心、颤抖的手~

小编已搬好小板凳

等不及一睹大牛风采！

快来扫码！或点击“阅读原文”

一起学“废”！