一、 主题： 元强化学习主讲人： 范禄珂摘要： 元强化学习代理需要从一系列轨迹中推断任务。此外，它需要一个快速的适应策略来调整其策略以适应新的任务，这可以通过使用自注意机制来实现。以此新提出的TrMRL (Transformer for Meta-Reinforcement Learning)是一个使用transformer架构模拟记忆恢复机制的元强化学习代理。它将最近的工作记忆联系起来，通过转换层递归地建立情景记忆。研究表明，自关注计算出一种共识表示，它在...

一、 主题：句子嵌入的简单对比学习 主讲人： 李呈韬摘要： 本文介绍了SimCSE，一个对比学习框架。首先描述了一种无监督方法，该方法采用输入句子并在对比目标中预测自身，仅使用标准dropout作为噪声。这个简单的方法效果出奇地好，与之前的有监督的方法相当。作者发现dropout作为最小的数据增强，删除它会导致表示崩溃。提出了一种监督方法，该方法将来自自然语言推理数据集的注释对结合到对比学习框架中，使用“蕴涵”对作为...

一、 主题： 基于预训练模型的少样本命名实体识别主讲人： 李成摘要： 少样本命名实体识别的目标是识别具有有限标记实例的命名实体。以往的工作主要集中在优化传统的标记分类框架，而忽视了基于 NER 数据特征的信息探索。针对这一问题，本次分享基于联合任务特定预训练(MSDP)的多任务语义分解框架。示范性对比学习的启示，本文主要介绍了两个新颖的预训练任务: 基于演示的掩蔽语言建模(MLM)和类对比鉴别。这些任务有效地整合了...

一、 主题： 模式探索训练主讲人： 杨磊稳摘要：通过提供具有自然语言“任务描述”的预训练语言模型，可以以完全无监督的方式解决一些NLP任务，虽然这种方法的表现不如监督方法，本次介绍论文将两种想法可以结合起来：模式探索训练（PET），这是一种半监督训练程序，将输入示例重新表述为完形填空风格的短语，以帮助语言模型理解给定的任务。时间和地点：11月4日9：00-10：00（星期六上午九点-十点）办公楼310会议室           ...

一、 主题：多样性文本生成和Stable diffusion的可解释性主讲人：韩雨辰摘要：第一篇工作提出了一个基于Transformer的循环变分编码器结构TRACE。该方法根据时间序列信息构造隐变量，并通过残差参数化构造后验分布。实验证明该方法能够提高生成文本的多样性。第二篇工作为了探究文生图模型Stable diffusion的可解释性，作者提出了DAAM方法。该方法通过对去噪网络中的交叉注意力进行变化和汇总，得到文本对图片像素级的影响。作者...