Sebastian Ruder : NLP 领域知名博主博士论文面向自然语言处理的神经网络迁移学习

Sebastian Ruder 博士的答辩 PPT《Neural Transfer Learning for Natural Language Processing》介绍了面向自然语言的迁移学习的动机、研究现状、缺陷以及自己的工作。

Sebastian Ruder 博士在 PPT 中阐述了使用迁移学习的动机：

state-of-the-art 的有监督学习算法比较脆弱：

易受到对抗样本的影响

易受到噪音数据的影响

易受到释义的影响

现实中的自然语言处理面临着多领域、多语种上的多种类型的任务，为每个任务都单独进行数据标注是不大可行的，而迁移学习可以将学习的知识迁移到相关的场景下

许多基础的前沿的 NLP 技术都可以被看成是迁移学习：

潜在语义分析 （Latent semantic analysis）

Brown clusters

预训练词向量（Pretrained word embeddings）

已有的迁移学习方法往往有着下面的局限性：

过度约束：预定义的相似度指标，硬参数共享

设置定制化：在一个任务上进行评价，任务级别的共享策略

弱 baseline：缺少和传统方法的对比

脆弱：在领域外表现很差，依赖语种、任务的相似性

低效：需要更多的参数、时间和样本

因此，作者认为研究迁移学习需要解决下面的这些问题：

克服源和目标之间的差距

引起归纳偏置

结合传统和现有的方法

在 NLP 任务中跨层次迁移

泛化设置

作者围绕迁移学习做了 4 个方面的工作：

领域适应（Domain Adaption）

跨语种学习（Cross-lingual learning）

多任务学习（Multi-task learning）

序列迁移学习（Sequential transfer learning）

具体内容可在 Sebastian Ruder 博士的完整答辩 PPT 中查看。