Wei Lu教授 of the Singapore University of Technology and Design 学术报告

发布日期:2018-12-25 浏览次数: [字体: ]

报告题目: A Unified Framework for Structured Prediction for NLP

报告人:    Wei Lu, Singapore University of Technology and Design (SUTD)

报告时间: 2018年12月26日9:00

报告地点: 明理楼(S2) 402

 Bio: 
Wei Lu is an Assistant Professor at the Singapore University of Technology and Design (SUTD), directing the StatNLP research group (http://statnlp.org/). He received his Ph.D. from the National University of Singapore (NUS) in 2009. He was a visiting scholar at CSAIL, Massachusetts Institute of Technology (MIT) in 2007-2008, and worked as a postdoctoral research associate at the University of Illinois at Urbana-Champaign in 2011-2013. His research interests include developing mathematical models and machine learning algorithms for solving natural language processing problems. He is particularly interested in semantic processing (in a broad sense). His papers appeared at venues such as ACL, EMNLP, and NAACL. He served as a program committee member for conferences such as ACL, EMNLP, NAACL, EACL, AAAI, IJCAI, NIPS, ICML, AISTATS, and SIGIR, and is currently a member of the standing reviewer team for TACL. He served as an area co-chair for ACL 2016 and IJCNLP 2017, and received the best paper award at EMNLP 2011. He also gave a tutorial on structured prediction with the StatNLP framework at EMNLP 2017.

 Abstract:
Structured prediction is one of the most important topics in various fields, including machine learning, computer vision, natural language processing (NLP) and bioinformatics. In this tutorial, we present a novel framework that unifies various structured prediction models. Specifically, we will be discussing at a very high level how a wide spectrum of existing structured prediction models (such as linear-chain CRF, semi-Markov CRF, latent variable CRF, PCFG, tree-CRF, structured SVM, as well as deep-learning based structured prediction models such as neural/LSTM-CRF etc) can all be implemented under a unified framework that involves some basic building blocks. Based on such a framework, we show how some seemingly complicated structured prediction models such as the (neural) hybrid tree model (Lu et al., 2008; Lu, 2014, Susanto and Lu 2017; Jie and Lu 2018) can be implemented conveniently and quickly. Furthermore, we also show that the framework can be used to solve certain structured prediction problems that otherwise cannot be easily handled by conventional structured prediction models. Specifically, we show how to use such a framework to construct models that are capable of predicting non-conventional structures, such as overlapping structures (Lu and Roth, 2015; Muis and Lu, 2016a; Muis and Lu 2017; Wang and Lu 2018). The framework has been extensively used by our research group for developing various novel structured prediction models, including models for information extraction (Lu and Roth, 2015; Muis and Lu, 2016a; Jie, Muis and Lu, 2017; Muis and Lu 2017; Wang and Lu 2018), noun phrase chunking (Muis and Lu, 2016b), semantic parsing (Lu, 2015; Susanto and Lu, 2017; Guo and Lu, 2018; Jie and Lu 2018), and sentiment analysis (Li and Lu, 2017; Li and Lu 2018).