3月21日晚八點直播丨ICLR滿分論文：門控深度可學習迭代收縮閾值法

ICLR 2020 系列論文解讀公開課第二期，就在本周六晚20:00整（北京時間）。

AI研習社 x AI科技評論聯合出品

針對ICLR 2020不能現場參會的特殊情況，AI研習社聯合AI科技評論組織策劃了【ICLR 2020 系列專題】活動,【ICLR 2020系列論文解讀公開課】是其中重要的組成部分，另外還包括系列論文文字解讀，會議數據分析，會議資源下載等。疫情拉開了大家的距離，但是學術交流是不會就因為疫情被阻擋的，我們愿架起這座學者之間的橋梁，以最短路徑，讓更多學者能更快的參與其中，促進學術交流，讓知識真正流動！

直播直達地址：http://www.mooc.ai/open/course/769?from=leiphonecolumn_meeting

本次直播是【ICLR 2020 系列論文解讀公開課】第二期，此論文為ICLR 2020滿分論文，獲得了8-8-8的滿分評分。所以滿分論文都做了哪一些突破性的工作呢？我們有幸邀請到了論文的一作和二作，給我們帶來“門控深度可學習迭代收縮閾值法”的分享。

論文地址：https://openreview.net/forum?id=BygPO2VKPH

開源地址：https://github.com/wukailun/GLISTA

開課信息

時間：2020年3月21日（本周六）晚20:00整（北京時間）

主題：ICLR滿分論文：門控深度可學習迭代收縮閾值法

嘉賓：吳凱倫、李子昂

分享提綱

1. 深度稀疏學習背景簡介

2. 可學習迭代收縮閾值法與缺陷

3. 門控可學習迭代收縮閾值法與理論

4. 實驗室結果與結論

5. 總結

分享背景

我們的工作研究了求解稀疏編碼問題的深度可學習迭代收縮閾值算法網絡（LISTA）。在以前研究工作的假設下，我們首先發現其網絡估計輸出中的編碼碼在幅度值上可能低于預期，存在增益需求，為了解決這個問題，引入了一種有理論受益保證的增益門控機制。關于該門控機制的收斂性分析啟發了增益門函數的具體設計，從而保證了增益門其有效性。除了增益門之外，我們還進一步在LISTA中引入超調門來補償迭代步長的不足。

大量的實驗結果證實了我們的理論結論，并驗證了我們方法的有效性。

嘉賓介紹

吳凱倫，清華大學博士，師從清華大學自動化系張長水教授，研究方向，深度稀疏學習，壓縮感知與信號處理，網絡壓縮。

李子昂，清華大學博士生，師從清華大學自動化系張長水教授，研究方向，深度稀疏學習，壓縮感知與信號處理。

馬上報名

添加AI研習社頂會小助手（AIyanxishe2），備注「ICLR 2020+公開課」，即可進群觀看直播。

或者掃描下方海報二維碼，直達直播報名頁面。

雷鋒網雷鋒網雷鋒網

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。