3月21日晚八点直播丨ICLR满分论文：门控深度可学习迭代收缩阈值法

ICLR 2020 系列论文解读公开课第二期，就在本周六晚20:00整（北京时间）。

AI研习社 x AI科技评论联合出品

针对ICLR 2020不能现场参会的特殊情况，AI研习社联合AI科技评论组织策划了【ICLR 2020 系列专题】活动,【ICLR 2020系列论文解读公开课】是其中重要的组成部分，另外还包括系列论文文字解读，会议数据分析，会议资源下载等。疫情拉开了大家的距离，但是学术交流是不会就因为疫情被阻挡的，我们愿架起这座学者之间的桥梁，以最短路径，让更多学者能更快的参与其中，促进学术交流，让知识真正流动！

直播直达地址：http://www.mooc.ai/open/course/769?from=leiphonecolumn_meeting

本次直播是【ICLR 2020 系列论文解读公开课】第二期，此论文为ICLR 2020满分论文，获得了8-8-8的满分评分。所以满分论文都做了哪一些突破性的工作呢？我们有幸邀请到了论文的一作和二作，给我们带来“门控深度可学习迭代收缩阈值法”的分享。

论文地址：https://openreview.net/forum?id=BygPO2VKPH

开源地址：https://github.com/wukailun/GLISTA

开课信息

时间：2020年3月21日（本周六）晚20:00整（北京时间）

主题：ICLR满分论文：门控深度可学习迭代收缩阈值法

嘉宾：吴凯伦、李子昂

分享提纲

1. 深度稀疏学习背景简介

2. 可学习迭代收缩阈值法与缺陷

3. 门控可学习迭代收缩阈值法与理论

4. 实验室结果与结论

5. 总结

分享背景

我们的工作研究了求解稀疏编码问题的深度可学习迭代收缩阈值算法网络（LISTA）。在以前研究工作的假设下，我们首先发现其网络估计输出中的编码码在幅度值上可能低于预期，存在增益需求，为了解决这个问题，引入了一种有理论受益保证的增益门控机制。关于该门控机制的收敛性分析启发了增益门函数的具体设计，从而保证了增益门其有效性。除了增益门之外，我们还进一步在LISTA中引入超调门来补偿迭代步长的不足。

大量的实验结果证实了我们的理论结论，并验证了我们方法的有效性。

嘉宾介绍

吴凯伦，清华大学博士，师从清华大学自动化系张长水教授，研究方向，深度稀疏学习，压缩感知与信号处理，网络压缩。

李子昂，清华大学博士生，师从清华大学自动化系张长水教授，研究方向，深度稀疏学习，压缩感知与信号处理。

马上报名

添加AI研习社顶会小助手（AIyanxishe2），备注「ICLR 2020+公开课」，即可进群观看直播。

或者扫描下方海报二维码，直达直播报名页面。

雷锋网雷锋网雷锋网

雷峰网原创文章，未经授权禁止转载。详情见转载须知。