0
| 本文作者： AI科技評論 | 2020-04-23 17:15 | 專題：ACL 2019 |
AI 科技評論聯(lián)合復旦大學，推出「ACL 2020 - 復旦大學系列論文解讀」。
AI科技評論 x 復旦大學
4月3日，備受矚目的 NLP 頂會 ACL 2020 公布了錄用論文情況。本屆 ACL 共收到 3429 篇投稿，相比于去年增加了500多篇，盡管接收論文數(shù)量還沒有統(tǒng)計，但相比于去年必然將只多不少。
繼上周AI科技評論聯(lián)合哈工大 SCIR 實驗室推出「ACL 2020 哈工大系列解讀」之后，我們再次隆重推出 ACL 2020 實驗室系列解讀：ACL 2020 復旦大學系列解讀。
復旦大學作為全國頂尖高校，在自然語言處理領域也當之無愧位列國內(nèi)頂尖高校之列。其在 NLP 方向的研究歷史，可追溯到上世紀80年代，由我國 NLP 開路人吳立德教授（同時也是我國 CV 領域早期少有的著名學者）一手帶起，并由其弟子黃萱菁、邱錫鵬、張奇等學者繼承和發(fā)揚光大。近年來，復旦大學每年在 NLP 各大頂會中都有十多篇論文發(fā)表。今年也不例外。在本屆 ACL 2020 中，復旦大學自然語言處理團隊再次有多篇論文（ 4篇長文，1 篇短文，1 篇校外合作）錄用。
為促進學術交流，讓更多師生及時了解最新前沿研究，AI科技評論聯(lián)合復旦大學，重磅推出「ACL 2020 復旦大學系列解讀」。我們將在4月25-27日，連續(xù)三天進行 3 場直播，其中包含 5 篇 ACL 論文以及復旦大學在相關方面的研究進展。
在4月25 日（周六），我們將首先推出一場有關「提取式文摘」的直播。主講人為王丹青（導師：邱錫鵬副教授，黃萱菁教授）、鐘鳴（導師：邱錫鵬副教授）。在這場直播中，兩位主講人將重點介紹他們在 ACL 2019 和 ACL 2020 的三篇抽取式摘要工作。
緊隨其后，我們也將在4月26日（周日），推出一場關于「結合中文命名實體識別」的直播，主講人為馬若恬（導師：張奇教授、黃萱菁教授）和李孝男（西電大四學生，復旦大學計算機學院邱錫鵬副教授2020級博士生）。命名實體識別對 NLP 研究的重要性不言而喻，在這場直播分享中，兩位主講人將結合他們 ACL 2020 論文的研究介紹復旦大學在這方面的整體工作。
在4月27 日，直播內(nèi)容與「魯棒的依存分析」有關。主講人為曾捷航（導師：鄭驍慶副教授）。曾捷航的研究方向涉及文本對抗攻擊與防御，模型魯棒性等問題。在自然語言處理領域，與對抗樣本相關的研究較少，這場直播分享將從文本對抗樣本問題出發(fā)，分析主要做法、存在問題，并將其拓展到依存句法領域。
上述三場直播，簡介如下：
主題一：不同粒度的抽取式文本摘要系統(tǒng)
論文：
1）Heterogeneous Graph Neural Networks for Extractive Document Summarization
2）Extractive Summarization as Text Matching
主講人：王丹青、鐘鳴
摘要：文本摘要任務涉及到語義理解等核心問題，是自然語言處理的主流任務之一，在信息爆炸時代的應用也愈發(fā)廣泛。文本摘要任務主要分為生成式和抽取式，本次將重點分享我們在 ACL 2019 和 ACL 2020 的三篇抽取式摘要工作。基于去年工作中對句子級摘要系統(tǒng)的分析與結論，我們此次提出一個新穎的基于圖神經(jīng)網(wǎng)絡建模單詞與句子以及句間關系的模型，并在另一篇工作中提出可以從摘要級的角度來建立匹配模型并解決抽取式摘要任務。
主題二：結合詞典的中文命名實體識別
論文：
1）Simplify the Usage of Lexicon in Chinese NER
2）Chinese NER Using Flat-Lattice Transformer
主講人：馬若恬, 李孝男
摘要：命名實體識別（Named Entity Recognition，NER）是自然語言處理中最基礎的任務之一，對很多下游任務來說必不可少。但在中文里，NER與分詞耦合在了一起，結合詞典的中文命名實體識別能夠有效解決詞級別和字級別中文命名實體識別的問題。本次我們將分享這一領域的相關工作，并介紹我們的工作：
1.簡化中文命名實體識別中的詞匯使用
2.使用Flat Lattice Transformer的中文命名實體識別
主題三：基于對抗樣本的依存句法模型魯棒性分析
論文：
1）Evaluating and Enhancing the Robustness of Neural Network-based Dependency Parsing Models with Adversarial Examples
主講人：曾捷航
摘要：對抗樣本問題的存在使得深度學習模型在應用落地上存在大量的潛在風險，對抗樣本已經(jīng)在計算機視覺領域取得了不少研究成果，包括多種攻擊與防御方法，最終目的是為了提高深度學習模型的魯棒性。在自然語言處理領域，與對抗樣本相關的研究較少，本次分享從文本對抗樣本問題出發(fā)，分析主要做法、存在問題，并將其拓展到依存句法領域。
如何參與？
掃碼關注[ AI研習社頂會小助手] 微信號，發(fā)送關鍵字“ACL 2020+直播”，即可進群觀看直播和獲取課程資料。
ACL 2020原定于2020年7月5日至10日在美國華盛頓西雅圖舉行，因新冠肺炎疫情改為線上會議。為促進學術交流，方便國內(nèi)師生提早了解自然語言處理（NLP）前沿研究，AI 科技評論將推出「ACL 實驗室系列論文解讀」內(nèi)容，同時歡迎更多實驗室參與分享，敬請期待！
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
