<div dir="ltr"><div><span style="font-size:12.8px">Hi All </span></div><span style="font-size:12.8px"><div><span style="font-size:12.8px"><br></span></div>Please join us for the next CL+NLP </span><span style="font-size:12.8px">lunch</span><span style="font-size:12.8px"> at noon on Monday Oct 26th,</span><br style="font-size:12.8px"><span style="font-size:12.8px">where Jiang Guo will be speaking about </span>Cross-lingual Transfer Parsing<span style="font-size:12.8px">. </span><div><span style="font-size:12.8px">Lunch</span><span style="font-size:12.8px"> will be </span><span style="font-size:12.8px">provided!</span><br style="font-size:12.8px"><br style="font-size:12.8px"><span style="font-size:12.8px">To arrange meetings with Jiang, please see the following document.</span></div><div><span style="font-size:12.8px">(<a href="https://docs.google.com/document/d/1i4s181AWQGY1SJup76BZGgsjpquAH2ZrVe7tHWISPYc/edit">https://docs.google.com/document/d/1i4s181AWQGY1SJup76BZGgsjpquAH2ZrVe7tHWISPYc/edit</a>)</span><br><br style="font-size:12.8px"><br class="">-----------------------------------------<br style="font-size:12.8px"><span style="font-size:12.8px">ML</span><span style="font-size:12.8px">+NLP </span><span style="font-size:12.8px">lunch</span><br style="font-size:12.8px"><span style="font-size:12.8px">Monday, Oct 26th at 11:00am</span><br style="font-size:12.8px"><span style="font-size:12.8px">GHC 7101</span><br style="font-size:12.8px"><br style="font-size:12.8px"><span style="font-size:12.8px">Speaker: Jiang Guo, Johns Hopkins University</span><br style="font-size:12.8px"><br style="font-size:12.8px"><span style="font-size:12.8px">[TITLE]</span><br style="font-size:12.8px">Representation Learning for Cross-lingual Transfer Parsing<br><br style="font-size:12.8px"><span style="font-size:12.8px">[ABSTRACT]</span></div><div>Cross-lingual model transfer has been a promising approach for inducing dependency parsers for low-resource languages where annotated treebanks are not available. The major obstacles for the model transfer approach are two-fold:
<p class="">1. Lexical features are not directly transferable across languages.</p>
<p class="">2. Target language-specific syntactic structures are difficult to be recovered.</p>
<p class="">In this talk, I will provide a representation learning framework to address these challenges. By evaluating on the Google universal dependency treebanks (v2.0), our best models yield an absolute improvement of 6.53% in averaged labeled attachment score, as compared with delexicalized multi-source transfer models. We also significantly outperform the state-of-the-art transfer system proposed most recently.</p><br style="font-size:12.8px"><br style="font-size:12.8px">[SHORT BIO]</div><div>Jiang Guo is a joint Ph.D student at Johns Hopkins University and at Harbin Institute of Technology. His research interests are in the areas of natural language processing, machine learning, with special interests on distributed representation learning and its applications on NLP tasks (mostly structure prediction problems). His long-term goal is developing efficient and effective algorithms and softwares for NLP and machine learning applications.</div><div><br class="">-----------------------------------------<br></div><div><br></div><div><br></div><div>Up comming talk will be on 17th Nov. 12:00-13:00 by Ndapa Nakashole.</div><div><br></div><div>Best regards,</div><div>Kazuya</div></div>