【CCL 2019】ATT-第19期：生成对抗网络 （邱锡鹏）

报告主题： 生成对抗网络

报告摘要： 生成对抗网络（Generative Adversarial Network，GAN）是非监督式学习的一种生成模型，其由一个生成网络与一个判别网络组成，通过让两个神经网络相互博弈的方式进行学习。生成网络从潜在空间（latent space）中随机取样 作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的 是使判别网络无法判断生成网络的输出结果是否真实。虽然生成对抗网络原先是为了无监督学习提出的，它也被证明对半监督学习、监督学习、强化学习同样有用。本报告主要讲述生成对抗网络的基本原理和最新研究进展。

邀请嘉宾： 复旦大学计算机科学技术学院副教授，博士生导师。于复旦大学获得理学学士和博士学位。主要从事自然语言处理、深度学习等方向的研究，在ACL、EMNLP、AAAI、IJCAI等计算机学会A/B类期刊、会议上发表50余篇学术论文，引用 1900余次。开源中文自然语言处理工具FudanNLP作者，FastNLP项目负责人。2015年入选首届中国科协人才托举工程，2017年ACL杰出论文奖，2018年获中国中文信息学会“钱伟长中文信息处理科学技术奖—汉王青年创新奖”。