申请试用
HOT
登录
注册
 
图学习视角下的开放环境表征学习初探
白玉兰开源
/
发布于
/
31
人观看

目前的机器学习问题和方法大多假设封闭的训练-评测准则,即训练集与测试集共享同样的输入/输出空间,测试数据中出现的实体和特征都在训练阶段被模型接触过。然而现实中的许多场景要求模型与开放动态的环境进行交互,包括但不限于:推荐系统中会出现新的用户/商品,在线广告系统中随着新平台的引入会产生新的用户画像/行为特征,医疗诊断中需要为新研发的药物或组合选择合适的适用人群。
上述情形所面临的核心问题和挑战是模型在不进行重新训练(非常耗时)或微调(存在遗忘风险)的限制下,如何从训练阶段接触的有限观测集泛化到新的观测集上。本次报告将介绍最新的两项研究工作,从图表示学习与图结构学习的视角,为开放世界的学习问题探索一套新的解决方案,并从理论和实践两个维度给出分析和讨论。此外,还将讨论沿着目前的方法论可能存在的拓展方向,以及对其他应用领域的适用潜力,作为未来的展望。

展开查看详情
0 点赞
0 收藏
确认
3秒后跳转登录页面
去登陆