报告主题：Adversarial network for natural language synthesis

报告摘要： 生成任务的关键问题在于确定什么是良好的成本函数。GAN引入了两个网络来解决这个问题。生成器网络创建虚假样本，区分网络将它们与真实样本区分开。GAN主要用于图像增强，特别擅长生成连续样本，但由于这个原因，它不能直接用于文本生成（因为它是离散数字的序列）。 Rajib Biswas概述了在将对抗网络应用于语言生成方面的最新突破，例如SeqGAN（策略梯度强化学习方法），LeakGAN（带有泄漏信息的长文本生成）以及针对潜在变量的重新参数化技巧。您将了解各种应用程序和任务，包括甘机器翻译，甘对话生成和GAN的风格转移，与看到的语言生成应用程序的演示与代码一起。

邀请嘉宾：Rajib Biswas是爱立信全球AI加速器的首席数据科学家。他在基于AI和ML的产品开发和研究方面拥有10年的行业经验，并已将AI和ML应用于解决与金融，电信和消费电子等领域相关的问题。他拥有BITS -Pilani的计算机科学硕士学位。