图神经网络（GNNs）是图学习中一种主流的技术。然而，对于GNN为什么在实际使用中很成功以及它们是否是优异性能所必需的技术，了解相对较少。
如果说自然语言处理可被誉为“人工智能皇冠上的明珠”，那么对话系统就是“自然语言处理皇冠上的明珠”。其中以苹果SIRI、Google Assistant为代表的任务型对话系统尤为学术界和产业界所关注。然而，构建一个任务型对话系...
本文是AI科技评论今日（10月20日）头条推文《14岁考入清华，22岁博士四年级，杜克大学杨幻睿的AI成长之路》的主人公杜克大学博士生杨幻睿对他这次NeurIPS 2020 Oral 论文的亲自解读。...
近年来，随着强化学习（reinforcement learning）在多个应用领域取得了令人瞩目的成果，并且考虑到在现实场景中通常会同时存在多个决策个体（智能体），部分研究者逐渐将眼光从单智能体领域延伸到多智能体。...
这项新技术比以前开发的深度学习方法精确得多，也具有更广泛的通用性，无需重新训练即可求解整个 PDE 系列（例如适用于任何类型流体的 Navier-Stokes 方程）。...
本文介绍的内容来自于我们近期被 NeurIPS 2020 接收的工作 MESA: Boost Ensemble Imbalanced Learning with MEta-SAmpler。欢迎Discussion/Star/Cite！
老读者都知道了，今年我成功带妹入坑。因为她自己不知道喜欢什么专业，也没有目标和方向，于是作为有经验的前辈，我就给她指了一条“明路”——计算机编程。...
强化学习指的是专注于学习如何与环境交互的算法的机器学习。这种算法的一个例子叫做Q-learning。尽管它更接近于蛮力方法，Q-learning可能是最流行的强化学习方法。在我们开始学习Q-learning之前，让我们先讨论一下为什么...
目前流行的图学习方法需要丰富的标签和边信息进行学习。「当新任务的数据稀缺时，元学习允许我们从以前的经验中学习」，并形成急需的归纳偏见，以便快速适应新任务。...
深度学习有一个大问题: 它需要吞噬大量的数据，然后才能很好地泛化而变得实用。这实际上是深度学习的局限性之一，限制了它在数据不丰富或难以获得的许多领域的应用。...
