【亚马逊网络服务总监Alexander J. Smola报告】深度学习注意力机制-Attention in Deep learning-附101页PPT

报告题目： Attention in Deep learning

摘要：

注意力是非参数模型在深度学习中的关键机制。可以说，这是深度学习模型最新进展的基础。除了在神经机器翻译中介绍，它还可以追溯到神经科学。并且可以说是通过LSTMs的门控或遗忘机制引入的。在过去的5年里，注意力一直是推动自然语言处理、计算机视觉、语音识别、图像合成、解决旅行推销员问题或强化学习等领域的技术发展的关键。本教程对各种注意事项提供了一个连贯的概述，让其亲身体验如何复制和应用注意力机制，并且更深入地了解潜在的理论，详细展示了从最早的NWE到最新的Multiple Attention Heads的相关内容。

报告主要分为六个部分：

1. Watson Nadaraya Estimator（NWE）：最早的非参数回归（Nonparametric Regression）的工具之一，更具体地说是最早核回归技术（Kernel Regression Technique）由Nadaraya和Watson两人同时于1964年独立的提出。
2. 池化 Pooling
   • 单目标 - 从池化 pooling 到注意力池化 attention pooling
   • 层次结构 - 分层注意力网络 Hierarchical attention network
3. 迭代池化 Iterative Pooling
   • 问答 Question answering / 记忆网络 memory networks
4. 迭代池化与生成器 Iterative Pooling and Generation
   • 神经机器翻译
5. 多头注意力网络 Multiple Attention Heads
   • Transformers / BERT
   • Lightweight, structured, sparse
6. 资源

邀请嘉宾：

Alexander J. Smola是亚马逊网络服务总监,2016年7月，加入了亚马逊网络服务(Amazon Web Services)，打造人工智能和机器学习工具。主要研究兴趣包括深度学习：特别是状态更新、不变性和统计测试的算法；算法的可伸缩性、统计建模。

Aston Zhang是亚马逊网络服务人工智能的一名应用科学家。他的研究兴趣是深度学习。他在伊利诺伊大学香槟分校获得了计算机科学博士学位。他曾担任大数据前沿的编委会成员和ICML、NeurIPS、WWW、KDD、SIGIR和WSDM的项目委员会成员(审稿人)。他的书《深入学习》(Dive into Deep Learning)于2019年春季在加州大学伯克利分校(UC Berkeley)教授，并已被全世界用作教科书。