摘要: 文本生成是自然语言处理的重要方向之一,很多关键的下游任务包括机器翻译,人机对话,自动问答等都可以用生成的方式来实现。此外,文本生成模型本身也具有较大价值,比如升级预训练表示学习中的生成模型往往能带来巨大的性能提高(从GPT到BERT)。主流的文本生成模型主要遵循自左至右的生成范式,并使用Transformer来参数化。其中修改网络结构,改进Transformer的参数化方式被研究地较多,但提出全新的生成范式却直到Mask LM的提出才开始得到较多关注。本次报告会主要聚焦在全新生成范式上,通过从Diffusion Networks,即一个全新的深度生成模型出发,来总结性地介绍非自回归生成,迭代式生成以及基于插入删除的全新生成方法,并尝试展望未来文本生成模型的一些可能的发展方向。
个人简介: 周浩,字节跳动人工智能实验室研究员,主要负责文本生成技术的研究和落地以及商业场景 (包括广告和电商)下的文本理解技术的应用。周浩于2017年博士毕业于南京大学,并获得南京大学优秀博士论文和中国人工智能学会优秀博士论文。他的研究方向包括机器学习以及其在自然语言理解中的应用。目前,他主要关注深度生成模型在自然语言处理中的应用,包括文本生成和深度文本表示学习。他曾担任多个会议的程序委员会成员,并在相关会议包括ACL, EMNLP, NeurIPS, ICML和ICLR上发表论文3篇
内容中包含的图片若涉及版权问题,请及时与我们联系删除
评论
沙发等你来抢