RESOURCEFUL-2020|RESOURCEFUL-2020

2020年11月25日

研讨会将在网上举行。

拜托SLTC-2020寄存器如果你打算参加这个研讨会。注册是免费的。
接受的扩展摘要和时间表

车间描述

通过使用数据驱动模型，自然语言处理的所有领域都取得了明显的突破。当代机器学习受到依赖于大型数据集的技术的显著影响，这些数据集需要大量计算资源以切实可行的方式解决实际问题（例如，基于变压器的模型，如BERT、VilBERT、ALBERT和GPT-2，这些变压器是在大型未标记数据集上预先训练的）。

然而，世界上许多语言缺乏语言描述以及足够大的计算机可读语料库。即使是那些被认为资源丰富的语言，也有一些资源稀缺的领域，例如对话语料库和情境交互。这些领域与源代码不足的语言的另一个相似之处是，由于它们侧重于口语或语音交互（无论是书面形式还是音频形式），因此它们显示出输入数据的高度可变性。在这种资源受限的环境中，应用最先进的基于深度神经网络的方法开发数据驱动系统是一项非常重要的任务。

对于本次研讨会，我们鼓励在解决上述问题的有限或低资源环境中，在资源创造和表征学习领域做出贡献。特别是，我们希望通过将学生、研究人员和专家聚集在一起，开启一个论坛，以解决和讨论以下问题：

如何为缺乏语言单位标准化表示的语言和领域构建或扩展新资源？
今天覆盖率很高的语言（例如斯堪的纳维亚语言）的资源构建经验可以移植到低资源语言和域的资源构建中吗？
如何处理机器学习方法中数据的可变性及其标准化？
我们可以使用哪些算法和方法从覆盖率高的相关领域/语言转移学习？
多任务学习在这个领域中的作用是什么？
在不同的低资源场景中，可以学习哪些表示法，它们的有效性如何？
如何评估新创建的资源和学习的表示？
涉及哪些道德考虑？

目标参与者是来自不同背景（语言学、计算语言学、语音、机器学习等）的研究人员、博士生和实践者。我们预计将举办一个互动研讨会，有充足的时间进行讨论，并辅以邀请的会谈和对正在进行或完成的研究的简短介绍。

提交

我们邀请提交2页的扩展非匿名摘要以及任意数量的页面，以供参考ACL/EMNLP模板。与我们的主题相关的论文，以及已经在其他场所发表或已经在其他地方发表的论文，也将被考虑接受发表。研讨会组织者将对摘要进行审查，接受的摘要将发布在网站上，除非作者不愿意这样做。不会有研讨会会议记录，但可以根据作者的兴趣组织会后会议记录。

扩展摘要应以pdf格式提交至https://easychair.org/conferences/？conf=resourceful2020