自然语言处理中的鲁棒性
摘要：深度神经网络在几乎全部自然语言处理任务中都取得了非常好的效果，在包括阅读理解在内很多任务的标准评测集合上达到了超越人类的准确性。然而，我们在实际应用中确发现，在真实场景中很多模型的效果大打折扣，所获得精度甚至远远低于传统机器学习方法。近年来的很多研究也表明，深度神经网络模型在仅仅添加了很小的扰动的样本上，其预测效果也很可能出现大幅度下降。模型鲁棒性的研究也因此受到越来越多的关注。在本次报告中，将针对自然语言处理算法的鲁棒性问题，在语料构建、文本表示、模型分析、鲁棒性评测等方面的最新研究进行介绍。
简历：张奇，复旦大学计算科学技术学院教授、博士生导师。主要研究方向是自然语言处理和信息检索。以第一作者或通讯作者发表论文共100 余篇，被引用次数3000余次。获得WSDM最佳论文提名奖、COLING最佳论文提名奖。作为第二译者翻译专著《现代信息检索》。获得上海市科技进步二等奖、教育部科技进步二等奖、ACM 上海新星提名奖、IBM Faculty Award、中国中文信息学会钱伟长中文信息处理科学技术奖--汉王青年创新一等奖。