本期为TechBeat人工智能社区第470期线上Talk！
北京时间1月12日(周四)20:00，斯坦福大学统计系博士后研究员——石佳欣的Talk将准时在TechBeat人工智能社区开播！
他与大家分享的主题是:“无监督学习的未来：两条路径和统一视角”，届时将展示一种将谱方法和生成模型联系起来的统一视角。
Talk·信息
▼
主题：无监督学习的未来：两条路径和统一视角
嘉宾：斯坦福大学统计系博士后研究员石佳欣
时间：北京时间1月12日(周四) 20:00
地点：TechBeat人工智能社区
/
点击下方链接，即可观看视频
TechBeatTechBeat是荟聚全球华人AI精英的成长社区，每周上新来自顶尖大厂、明星创业公司、国际顶级高校相关专业在读博士的最新研究工作。我们希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。/talk-info?id=747
Talk·介绍
▼
在人工智能领域，一种普遍的看法是无监督学习是智能的“主体”，而监督学习只是另外的一小部分。然而，与已有的许多成熟的监督学习方法相比，我们用于无监督学习的工具仍然非常有限，主要集中在生成模型和表示学习两个子领域。从历史上看，表示学习的思想可追溯到经典的谱方法。
在本次报告中，我将首先展示一种将谱方法和生成模型联系起来的统一视角，即数据分布梯度的谱表示。这为我们后续的无监督学习工作提供了许多启发，包括基于数据分布梯度的建模和基于特征函数的自监督学习。我还将讨论这些发展背后的统计学原理——斯坦因方法，以及我们如何利用其将这些方法扩展到处理具有离散结构的问题等富有挑战性的领域。
Talk大纲如下：
1.数据分布梯度的谱表示
2. 斯坦因方法和基于数据分布梯度的建模
3. 特征函数和自监督学习
Talk·预习资料
▼
Shi, Zhou, Hwang, Titsias, & Mackey. Gradient estimation with discrete Stein operators. NeurIPS .
Deng*, Shi*, Zhang, Cui, Lu, & Zhu. Neural eigenfunctions are structured representation learners. arXiv:2210.12637,
Talk·提问交流
▼
在Talk界面下的【交流区】参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，被讲者直接翻牌解答！
你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！
Talk·嘉宾介绍
▼
石佳欣
斯坦福大学统计系博士后研究员
石佳欣现为斯坦福大学统计系博士后研究员。他于在清华大学朱军指导下获博士学位，后在新英格兰微软研究院从事博士后研究。他的研究兴趣包括机器学习中的概率建模，近似推理和表示学习。他是微软学者奖学金获得者。其一作论文获得NeurIPS 杰出论文奖。
个人主页：
jiaxins.io
-The End-
关于TechBeat人工智能社区
▼
TechBeat()隶属于将门创投，是一个荟聚全球华人AI精英的成长社区。
我们希望为AI人才打造更专业的服务和体验，加速并陪伴其学习成长。
期待这里可以成为你学习AI前沿知识的高地，分享自己最新工作的沃土，在AI进阶之路上的升级打怪的根据地！
更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区
