报告题目: 基于反事实和理性推理增强的可解释可通用自然语言处理研究
报告时间：9月3日17:00
报告地点：计算机楼313
报告摘要:
近些年来，包括“预训练+微调”的训练方法的革新使得深度学习在情感分析领 域展现了很强大的预测能力。但是目前的深度学习方法仍然是黑匣子，并且在在模型准确性和可解释性之间存在固有的权衡。因此，在计算、心理和法律上，基于深度学习的自然语言处理的方法需要变得更加透明、可解释。而在实际场景应用中，我们又希望其保持很高的准确率 。在这次报告中，我将介绍如何通过对比事例、人在闭环、 反事实推断和因果依据在包括情感分析、命名实体识别的经典自然语言处理任务中实现类人学习，达到准确度和可解释性的均衡提升。值得注意的是，我们的方法在微调阶段不必再依赖于大规模数据的学习，有时仅需要50个样本的训练即可取得更加可解释的推断以及更鲁棒的泛化性能。同时，我们在命名实体识别任务中也验证了我们的办法的可通用性，在提示学习和微调学习的条件下均可取得较大提升。
讲者介绍：
张岳，西湖大学教授。主要研究领域为自然语言处理、文本挖掘及相关的机器学习方法。研究成果包括自左向右处理文本的结构预测算法、多任务融合学习的联合模型、文本表示神经网络和图神经网络的创新算法、自然语言处理和人类常识研究。发表国际期刊论文50余篇，CCF列表 A、B 类国际会议论文二百余篇。担任国内外顶级会议CCL 2020、EMNLP 2022程序委员会共同主席。获CCF2018中文计算与自然语言处理青年新锐奖、SemEval2020 Honorable Mention、COLING2018和IALP2017最佳论文奖等奖项。
