admin
-
无监督数据增强研究
面对渴求大量数据的深度学习，数据扩增方法可以缓和一部分需求，但数据扩增方法往往只应用在有监督学习设定中，带来的提升也较为有限。GoogleAI最新提出了一种在半监督学习设定中，把数据扩增方法运用在未标注数据上的新方法。他们的方法，无监督数据扩增 UDA，会鼓励模型面对未标注数据和扩增过的…
-
基于知识库的命名实体识别
基于统计的命名实体识别方法根据特征的获取方式，有神经网络和特征工程两个研究方向，实践表明来自知识库的词典特征并不能被神经网络完全取代。本次报告首先解释了命名实体识别、知识库等概念；接下来，按照历史发展的顺序描述现存的知识库利用方法，其中重点介绍基于神经网络的知识库利用方法；然后，展示实验…
-
多标签学习综述
多标签学习的研究对于多义性对象的学习建模具有十分重要的意义，现已逐渐成为机器学习界一个新的研究热点。本次报告将对多标签学习的研究现状做一个简介，首先给出多标签学习的定义与面临的主要问题，并介绍多标签性能评价指标，然后介绍几种具有代表性的多标签学习算法。 附件-多标签学习综述.pdf
-
ISCC2019个人挑战赛电子证书发放通知
经信息安全与对抗技术竞赛组委会讨论决定，将为获奖选手颁发电子获奖证书。 证书领取方式： 全国赛区：请获奖选手登录信息收集系统，下载获奖证书。 北理赛区：请获奖选手登录信息收集系统，下载获奖证书。也可于6月25日后到北京理工大学中关村校区10号信息科学实验楼421室领取（如有变化，请以最新通知为准） 注意事项： 1.只有先前填写的信息有效的选手，才能下载获奖证…
-
2019年第16届全国大学生信息安全与对抗技术竞赛（ISCC2019） “分组对抗赛”院校邀请通知
第16届全国大学生信息安全与对抗技术竞赛“分组对抗赛”-通知 第16届全国大学生信息安全与对抗技术竞赛“分组对抗赛”-邀请函 第16届全国大学生信息安全与对抗技术竞赛“分组对抗赛”-报名表
-
在线集成学习
本次学术报告介绍了集成学习和在线学习基本思想，对离线bagging（装袋）和离线boosting（提升）的基本原理进行了简单回顾，并详细介绍了在线bagging和在线boosting的算法原理。 附件-在线集成学习.pdf
-
机器学习中的非凸优化
机器学习模型可化简为求解一个目标函数/损失函数的最优化问题，根据优化目标及约束的不同，可划分为凸优化（Convex optimization）与非凸优化（Non-convex optimization）两类。本次报告首先回顾了优化问题及凸优化的相关理论知识，进而面向机器学习中因目标函数非…
-
Glibc内存管理2
内存管理是指软件运行时对计算机内存资源的分配和使用的技术。其最主要的目的是如何高效，快速的分配，并且在适当的时候释放和回收内存资源。本次报告分三个方面来讲：核心结构体，关键函数，初始化源码分析。 附件-Glibc内存管理2.pdf
