关注微信公众号：人工智能前沿讲习，
对话框回复“TRL”获取PPT资料

许多AI任务需要进行跨领域决策。例如，NLP任务中涉及的跨多种语言预测，其中不同的语言被视为不同的领域；在AI辅助生物医学研究中，药物副作用的预测通常与建模蛋白质和有机体{ [ Z s Y w的相互作用并行。

本教程针对有兴趣将深度学习应用于跨领域决策任务的AI研究人员和从业人员。 这些任务包括多语言和跨语言自然语言处理，特定领域知识（domain-specific knowQ ? i @ pledge）以及不同数据模式等。

教程介绍

许多AI任务需要进行跨领% + T域决策。为了支持机器学习模型解决此类跨领N ~ [ V域任务，必须提取不同领域中数据的特征和关系，并在_ e = 7 $ 4统一表示形式V [ W i w 5 . ] a下挖掘它们的p x 1 2关联。_ q T为此，表示学习的最新进展通常涉及将不同领域的未标记数据映射到共享嵌入空间中。通过这种方式，可以通过向量整合和变换来实现跨领域知识转移。此类可迁移表示方法已在涉及跨领域决策的一系列AI应用中取= i H ~ e h ~ ) {得了成功。

但是，相关研究目前还面临着两个挑战：

• 如何在学习资源很少的情况下有效地从特定领域中提p H w k取特征。
• 如何在最少的监督下精确地对齐和传递知识，因为不! w | /同域之间的对齐信息通常可能不足且嘈杂。

在本教程中，我们将全面回顾可迁移表示学s $ M a k ` ^习方法的最新进展，尤其是针对文本，multi-relational和multimedia 数据的方法C B k Z ( 9 T ! A。除了介绍领域内（il i 0 * F ! [ n mntra-domain）嵌入学习方法外，我们还将讨论各种半监督，弱监督，多视角和自监督学习方法，以连C & &接多0 : z ; w / Z个特定领域的嵌入表示。我们还将比较领域内嵌入学习2 : * } J / = 0 T和跨领域对齐学习的改造和联合学习过程。此外，我们将讨论如何将获得的可迁移表示y $ h g Q - =形式用于解决数据V + h M匮乏和无标签的学习任务B [ k d I。大家将了解该方向的最新趋势和新挑战，代表性工具和学习资源以获取现有模型，大家还将学会如何将相关模型O @ e 0 4 S和技术应用于现实的AI应用中。

教程内容

本教程内容包I m M S w括：

1. 针对未标记文本v . [ - , l w U a，multi-relational和multimedia 数据的表示学习方法;
2. 在有限监督下，跨多种表示的知识对齐和迁移方法;
3. 在自g J m J X @然语言理解，知识库和计算生物学中，使用这些技术的AI应用;
4. 未来的发展和研究方向。

教程预览

转载来源：深度学习这件小事t Y n !