對偶學習

定　價：￥89.00

作　者：	秦濤
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111707196	出版時間：	2022-07-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：	185	字數(shù)：

內(nèi)容簡介

　　本書系統(tǒng)全面地闡述了對偶學習，可以幫助相關(guān)研究人員和從業(yè)者更好地了解該領(lǐng)域的前沿技術(shù)。全書分為五部分。第一部分簡要介紹機器學習和深度學習的基礎(chǔ)知識。第二部分以機器翻譯、圖像翻譯、語音處理及其他自然語言處理/計算機視覺任務(wù)為例，詳細介紹了基于對偶重構(gòu)準則的算法。算法包括對偶半監(jiān)督學習、對偶無監(jiān)督學習、多智能體對偶學習等。關(guān)于圖像翻譯，介紹了包括CycleGAN、DualGAN、DiscoGAN、cdGAN在內(nèi)的算法以及近期發(fā)展。第三部分介紹基于概率準則的若干研究，包括基于聯(lián)合概率準則的對偶有監(jiān)督學習和對偶推斷，以及基于邊緣概率準則的對偶半監(jiān)督學習。第四部分從理論角度解讀了對偶學習，并且討論了和其他學習范式的聯(lián)系。第五部分總結(jié)了全書內(nèi)容并給出若干未來研究方向。本書還就進一步閱讀提供了建議，給出了相關(guān)文獻，以幫助讀者深入了解該領(lǐng)域、推動該領(lǐng)域的發(fā)展。

作者簡介

　　秦濤微軟亞洲研究院首席研究員、深度學習和強化學習組負責人，IEEE、 ACM高級會員，中國科學技術(shù)大學客座教授，研究方向包括深度學習及其在自然語言、語音、圖像處理和藥物研發(fā)中的應(yīng)用，強化學習及其在游戲AI和實際問題中的應(yīng)用，博弈論與多智能體系統(tǒng)及其在云計算和在線廣告中的應(yīng)用，信息檢索以及計算廣告。他的團隊提出的對偶學習及其他技術(shù)幫助微軟于2018年在中英新聞翻譯任務(wù)上達到了人類專家的水平，獲得WMT 2019國際機器翻譯大賽8項冠軍，并集成到了微軟翻譯系統(tǒng)中。2019年，他和團隊設(shè)計了當時最高效的語音合成模型FastSpeech，該模型支撐了微軟云Azure上的所有語音（涵蓋100多種語言和270多種語音）合成服務(wù)。同年，研發(fā)了麻將AI Suphx，在“天鳳”平臺榮升十段，安定段位8.7，顯著超越人類頂級選手。

圖書目錄

譯者序
前言
致謝
第 1 章緒論 1
1.1 引言 1
1.2 人工智能任務(wù)中的結(jié)構(gòu)對偶性 3
1.3 對偶學習的劃分 4
1.3.1 依照使用數(shù)據(jù)劃分 4
1.3.2 依照對偶信號構(gòu)造準則劃分 4
1.4 全書總覽 5
參考文獻 6
第 2 章機器學習基礎(chǔ) 10
2.1 機器學習范式 10
2.1.1 有監(jiān)督學習 11
2.1.2 無監(jiān)督學習 12
2.1.3 強化學習 13
2.1.4 其他學習范式 14
2.2 機器學習算法核心組成部分 14
2.3 泛化和正則化 16
2.4 搭建機器學習模型 17
2.4.1 數(shù)據(jù)收集和特征工程 18
2.4.2 算法選擇、模型訓練、超參數(shù)調(diào)優(yōu) 18
參考文獻 19
第 3 章深度學習基礎(chǔ) 24
3.1 神經(jīng)網(wǎng)絡(luò) 24
3.2 卷積神經(jīng)網(wǎng)絡(luò) 27
3.3 序列建模 29
3.3.1 遞歸神經(jīng)網(wǎng)絡(luò)及其變種 30
3.3.2 編碼器解碼器架構(gòu) 31
3.3.3 Transformer 網(wǎng)絡(luò) 34
3.4 深度模型訓練 36
3.4.1 隨機梯度下降法 37
3.4.2 正則化 38
3.5 為什么選擇深度神經(jīng)網(wǎng)絡(luò) 39
參考文獻 41
第 4 章對偶學習在機器翻譯中的應(yīng)用及拓展 48
4.1 機器翻譯簡介 48
4.1.1 神經(jīng)機器翻譯 49
4.1.2 回譯技術(shù) 50
4.2 對偶重構(gòu)準則 51
4.3 對偶半監(jiān)督學習 52
4.4 對偶無監(jiān)督學習 56
4.4.1 基本思想 56
4.4.2 系統(tǒng)架構(gòu)和訓練算法 57
4.5 多智能體對偶學習 60
4.5.1 模型架構(gòu) 61
4.5.2 拓展和比較 62
4.5.3 多智能體對偶機器翻譯 63
4.6 拓展 65
4.6.1 語義解析 65
4.6.2 文本風格遷移 66
4.6.3 對話 67
參考文獻 68
第 5 章對偶學習在圖像翻譯中的應(yīng)用及拓展 72
5.1 簡介 72
5.2 無監(jiān)督圖像翻譯的基本思想 74
5.3 圖像翻譯 75
5.3.1 DualGAN 75
5.3.2 CycleGAN 77
5.3.3 DiscoGAN 80
5.4 細粒度圖像翻譯 80
5.4.1 細粒度圖像翻譯中的問題 81
5.4.2 條件 DualGAN 82
5.4.3 討論 84
5.5 具有多路徑一致性的多域圖像翻譯 84
5.6 拓展 86
5.6.1 人臉相關(guān)任務(wù) 86
5.6.2 視覺語言任務(wù) 87
5.6.3 其他圖像相關(guān)任務(wù) 88
參考文獻 88
第 6 章對偶學習在語音處理中的應(yīng)用及拓展 93
6.1 神經(jīng)語音合成和識別 93
6.2 語音鏈的對偶學習 94
6.3 低資源語音處理的對偶學習 97
6.3.1 使用雙向序列建模的去噪自編碼 97
6.3.2 使用雙向序列建模的對偶重構(gòu) 99
6.3.3 模型訓練 100
6.4 極低資源語音處理的對偶學習 101
6.4.1 預(yù)訓練和微調(diào) 103
6.4.2 對偶重構(gòu) 103
6.4.3 知識蒸餾 104
6.4.4 LRSpeech 的性能 105
6.5 非母語語音識別的對偶學習 106
6.5.1 非母語語音識別的難點 106
6.5.2 基于對偶重構(gòu)準則的方法 106
6.6 拓展 108
參考文獻 109
第 7 章對偶有監(jiān)督學習 114
7.1 聯(lián)合概率準則 114
7.2 對偶有監(jiān)督學習算法 115
7.3 應(yīng)用 117
7.3.1 神經(jīng)機器翻譯 117
7.3.2 圖像分類和生成 118
7.3.3 情感分析 119
7.3.4 問題回答和問題生成 120
7.3.5 代碼摘要和代碼生成 121
7.3.6 自然語言理解和生成 125
7.4 理論分析 126
參考文獻 127
第 8 章對偶推斷 131
8.1 基本架構(gòu) 131
8.2 應(yīng)用 133
8.3 理論分析 134
參考文獻 136
第 9 章基于邊緣概率的對偶半監(jiān)督學習 138
9.1 邊緣概率的高效估計 138
9.2 以邊緣概率為約束 140
9.3 無標數(shù)據(jù)的似然最大化 141
9.4 討論 143
參考文獻 144
第 10 章對偶重構(gòu)的理論解讀 148
10.1 概述 148
10.2 對偶重構(gòu)準則在無監(jiān)督學習中的解讀 149
10.2.1 對偶無監(jiān)督映射的建模 149
10.2.2 存在的問題和簡單性假設(shè) 151
10.2.3 最小復(fù)雜度 152
10.3 對偶重構(gòu)準則在半監(jiān)督學習中的解讀 154
10.3.1 算法和符號說明 155
10.3.2 雙語翻譯 156
10.3.3 多域?qū)ε紝W習 160
參考文獻 161
第 11 章對偶學習和其他學習范式的聯(lián)系 164
11.1 對偶半監(jiān)督學習和協(xié)同訓練 164
11.2 對偶學習和多任務(wù)學習 166
11.3 對偶學習、GAN 和自編碼器 166
11.4 對偶有監(jiān)督學習和貝葉斯陰陽學習 167
11.5 對偶重構(gòu)及相關(guān)概念 168
參考文獻 169
第 12 章總結(jié)和展望 174
12.1 總結(jié) 174
12.2 未來研究方向 175
12.2.1 更多的學習環(huán)境和應(yīng)用 175
12.2.2 提升訓練效率 177
12.2.3 理論研究 178
參考文獻 178