本文从阅读理解模型自身出发，利用对抗的思路自动发现对抗样本，从而有针对性地加强模型的鲁棒性。 paper: https://drive.google.com/open?id=1lWlaRQvSW8orUwmIM5HRRKtp_K2gQKessource: AAAI 2020
零样本学习方法（ZSL,Zero-shot Learning）是学术界重要的前沿研究分支之一。尽管大量科研相关人员已经标注了很多标准数据集，但就算著名如ImageNet，在其千万级数据集中也不过分为21841个类别，现实世界中已经标注的数据仍然只占少数，且有诸多场景如疾病图像数据难以大量获取。故研究在目标域无标注数据情况下如何进行有效的学习并进行预测非常有意义。本文对ZSL问题做了明确的定义，根据模型训练过程中数据的使用方式将ZSL问题分为三类，并且描述了现有工作中标签语义空间的几种建模方法，最后给出了若干有代表性的ZSL方法。 paper: https://drive.google.com/open?id=1mX1l3AhXz20gIajLjCRso6JMZWLRIxTBsource: ACM Trans.
本文通过未标注文本引入语言建模任务来辅助 NER 领域自适应任务，使用参数生成网络建模跨领域和跨任务，分别得到任务向量和领域向量，实验证明在监督和无监督领域适应上都取得很好的效果。 paper: https://drive.google.com/open?id=1gb0lN7tp0-enXYj1OuLDLPoDGryLWkL_source: ACL 2019 long papercode: https://github.com/jiachenwestlake/Cross-Domain_NER