【一千个论文合集】计算机科学的26个细分领域近年必读论文集合

1.机器学习

名称：半监督学习（Semi-supervised Learning） 论文集地址：https://www.aminer.cn/topic/5e7ef61ac1b7e55a5aea64c6?f=cs 简介：半监督学习是模式识别和机器学习领域研究的关键问题，是监督学习与无监督学习相结合的学习方法。半监督学习使用大量未标记的数据和标记的数据来进行模式识别。"

名称：知识表示学习（knowledge representation learning） 论文集地址：https://www.aminer.cn/topic/5e7ef61ac1b7e55a5aea64d2?f=cs 简介：表示学习的目的是将研究对象的语义信息表示为密集的低纬度值向量，知识表示学习表示知识库中的实体和关系。该技术可以有效地计算低纬度空间中实体和关系的语义联系，有效地解决数据稀疏的问题，显著提高知识获取、整合和推理的性能。"

名称：自动机器学习（Automated machine learning） 论文集地址：https://www.aminer.cn/topic/5e7f3d0bb3b8848a5b778a03?f=cs 简介：自动机器学习（AutoML） 通过让一些通用步骤 (如数据预处理、模型选择和超参数调整) 简化机器学习中生成模型的过程。AutoML它是指使用某种学习机制来调整这些超参数，而不是通过人来设置超参数。"

名称：在线机器学习（Online machine learning） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd8a?f=cs 在线机器学习是工业界常用的机器学习算法。准确地说，在线机器学习不是一种模型，而是一种模型训练方法。在线机器学习可以根据在线反馈数据实时快速地调整模型，使模型能够及时反映在线变化，提高在线预测的准确性。在线机器学习的过程包括：向用户显示模型的预测结果，然后收集用户的反馈数据，然后训练模型，形成闭环系统。"

名称：AI政务（AI in Government） 论文集地址：https://www.aminer.cn/topic/5eb61ce892c7f9be2179aee5?f=cs 简介：人工智能(AI)在政府部门有多种用途。它可以用来促进公共政策目标（在紧急服务、卫生和福利等领域），并帮助公众与政府互动（如使用虚拟助理）。据《哈佛商业评论》报道，人工智能在公共部门得到了广泛的应用，并且仍在增长，世界各地都在进行早期测试。来自哈佛大学艾什民主治理与创新中心的希拉·梅尔指出，政府部门的人工智能并不新鲜，上世纪90年代末，邮政部门就开始使用机器识别信封上的笔迹，从而自动发送信件。人工智能在政府中的使用带来了显著的好处，包括提高效率，从而节约成本，如减少前台人数和减少腐败的机会。"

名称：人工智能（Artificial Intelligence） 论文集地址：https://www.aminer.cn/topic/5e7ed98a3357bd9befb4ae18?f=cs 简介：人工智能（Artificial Intelligence），英文缩写为AI。它是一门新的技术科学，用于模拟、扩展和扩展人类智能的理论、方法、技术和应用系统。 人工智能是计算机科学的一个分支。它试图了解智能的本质，生产一种新的智能机器，可以以类似的方式对人类智能做出反应。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统。自诞生以来，人工智能的理论和技术越来越成熟，应用领域也在扩大。可以想象，未来人工智能带来的技术产品将是人类智能的容器。人工智能可以模拟人类意识和思维的信息过程。人工智能不是人的智能，但它可以像人一样思考，也可能超过人的智能。 人工智能是一门极具挑战性的科学，从事这项工作的人必须懂得计算机知识、心理学和哲学。人工智能是一门由机器学习、计算机视觉等不同领域组成的广泛科学。一般来说，人工智能研究的主要目标之一是使机器能够胜任一些通常需要人类智能的复杂工作。但不同的时代，不同的人对这种复杂的工作有不同的理解。"

名称：可解释机器学习（Interpretable Machine Learning） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd79?f=cs 简介：在机器学习的场景中，可解释性（interpretability）这意味着模型可以用人类认知的说法来解释和呈现。"

名称：主题模型（Topic Model） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd7c?f=cs 简介：主题模型（Topic Model）它是一种统计模型，用于在一系列文档中找到抽象主题，如机器学习和自然语言处理。直观地说，如果一篇文章有一个中心思想，那么一些特定的单词就会出现得更频繁。比方说，如果一篇文章是在讲狗的，那“狗”和“骨头”等词出现的频率会高些。假如一篇文章是关于猫的，那么猫、鱼等词出现的频率就会更高。有些词，比如这个和和，在两篇文章中出现的频率大致相等。但事实是，一篇文章通常包含各种主题，每个主题的比例都不同。因此，如果一篇文章10%与猫有关，90%与狗有关，那么与狗有关的关键词的数量可能是与猫有关的关键词的9倍。主题模型试图用数学框架来反映文档的特征。主题模型自动分析每个文档，统计文档内的词语，根据统计的信息来断定当前文档含有哪些主题，以及每个主题所占的比例各为多少。主题模型最初应用于自然语言处理的相关方向，但目前已延伸到生物信息学等其他领域。"

名称：迁移学习（Transfer learning） 论文集地址：https://www.aminer.cn/topic/5e7ef61ac1b7e55a5aea64d0?f=cs 简介：迁移学习是机器学习的研究领域。 它专注于存储现有问题的解决方案，并将其用于其他不同但相关的问题。 例如，用来识别汽车的知识(或模型)也可以用来提高识别卡车的能力。 计算机领域的迁移学习与心理学中经常提到的学习迁移有一定的概念关系，但两个领域的学术关系非常有限。"

名称：对抗学习（Adversarial Learning） 论文集地址：https://www.aminer.cn/topic/5e7ef61ac1b7e55a5aea64ce?f=cs 对抗学习是加拿大学者的一种新的机器学习方法Ian Goodfellow首先提出。实现对抗学习的方法是让两个网络互相竞争，玩游戏。其中一个是生成器网络，它不断捕捉训练库中真实图片的概率分布，将输入的随机噪声转换为新样本(即假数据)。另一种是判别器网络，它可以同时观察真假数据，判断数据是否真实。通过反复对抗，生成器和判别器的能力将继续增强，直到达到平衡，最终生成器可以生成高质量的假图片。"

名称：马尔可夫网络（Markov Networks） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd85?f=cs 简介：马尔可夫网络（马尔可夫随机场、无向图模型）是一组全联合概率分布模型，具有马尔可夫性质的随机变量X。类似贝叶斯网络的马尔可夫网络用于表示依赖。然而，一方面，它可以表示贝叶斯网络无法表达的一些依赖关系，如循环依赖；另一方面，它不能表示贝叶斯网络可以表达的一些关系，如推导关系。马尔可夫网络的原型是易辛模型，最初用于解释模型的基本假设。"

名称：多任务学习（Multi-task Learning） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd87?f=cs 简介：多任务学习（MTL）它是一个非常有前途的机器学习领域。多任务学习可视为迁移学习的归纳迁移学习。其目标是利用多相关学习任务之间的有用信息来提高其表现。"

名称：贝叶斯网（Bayesian Network） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd9d?f=cs 简介：贝叶斯网又称信度网，是Bayes方法的扩展是不确定知识表达和推理领域最有效的理论模式之一。从1988年开始Pearl提出后，已成为近年来研究的热点.。贝叶斯网络是一个向无环图(Directed Acyclic Graph,DAG),代表变量结点和连接些结点有向边构成。结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关系强度，没有父结点的用先验概率进行信息表达。结点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。"

名称：强化学习（Reinforcement Learning） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd95?f=cs 简介：强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。 ##感谢热心用户的整理和推荐。"

名称：主动学习（Active learning） 论文集地址：https://www.aminer.cn/topic/5e7ef61ac1b7e55a5aea64cd?f=cs 简介：主动学习（Active learning or query learning）作为机器学习的一个分支其主要是针对数据标签较少或打标签“代价”较高这一场景而设计的，在统计学中主动学习又被称为最优实验设计（optimal experimetal design）。其主要方式是模型通过与用户或专家进行交互，抛出"“query”“(unlabel data)让专家确定数据的标签，如此反复，以期让模型利用较少的标记数据获得较好“性能”。”

名称：青年科学家机器学习前沿（2020智源大会）（Young Scientists Forum on Machine Learning Frontiers (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d73b92c7f9be2179523f?f=cs 简介：本Topic收录了2020智源大会青年科学家机器学习前沿主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：机器学习（Machine Learning） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22edd93?f=cs 简介：机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。"

名称：深度强化学习（Deep Reinforcement learning） 论文集地址：https://www.aminer.cn/topic/5e7d9a78ea0348b7e22eddb4?f=cs 简介：深度强化学习是一种使用深度学习技术扩展传统强化学习方法的一种机器学习方法。传统强化学习方法的主要任务是使得主体根据从环境中获得的奖赏能够学习到最大化奖赏的行为。然而，传统无模型强化学习方法需要使用函数逼近技术使得主体能够学习出值函数或者策略。在这种情况下，深度学习强大的函数逼近能力自然成为了替代人工指定特征的最好手段并为性能更好的端到端学习的实现提供了可能。"

名称：对抗攻击（Adversarial Attacks） 论文集地址：https://www.aminer.cn/topic/5ebb578692c7f9be21c07307?f=cs 简介：通过对输入添加微小的扰动使得分类器分类错误，一般对用于深度学习的网络的攻击算法最为常见，应用场景包括目前大热的CV和NLP方向，例如，通过对图片添加精心准备的扰动噪声使得分类器分错，或者通过对一个句子中的某些词进行同义词替换使得情感分类错误。"

名称：机器学习（2020智源大会）（Machine Learning (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d67692c7f9be21755103?f=cs 简介：机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。本Topic收录了第二次智源大会-机器学习的主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：AI防疫（2020智源大会）（AI Epidemic Prevention (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d6fc92c7f9be2177f600?f=cs 简介：本Topic收录了AI+大数据+防疫主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：机器感知（2020智源大会）（Machine Perception (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d69892c7f9be2175fafe?f=cs 简介：机器感知（Machine Perception）或机器认知（Machine Recognition）研究如何用机器或计算机模拟、延伸和扩展人的感知或认知能力，包括：机器视觉、机器听觉、机器触觉……如：计算机视觉（Computer Vision）、模式（文字、图像、声音等）、识别（pattern Recognition）、自然语言理解（Natural Language Understanding）……都是人工智能领域的重要研究内容，也是在机器感知或机器认知方面高智能水平的计算机应用。本Topic收录了第二次智源大会-机器感知的主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：AI交通（2020智源大会）（Ai in Transportation (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d6ed92c7f9be2177ab25?f=cs 简介：本Topic收录了2020智源大会AI交通主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：AI科技女性（2020智源大会）（Women in AI (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d6c792c7f9be2176f070?f=cs 简介：本Topic收录了2020智源大会AI科技女性主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：AI创业（2020智源大会）（AI Startup (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d6df92c7f9be21776509?f=cs 简介：本Topic收录了2020智源大会AI创业主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：决策智能（2020智源大会）（Decision Intelligence (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d6b092c7f9be21766f97?f=cs 简介：决策科学是一门通过运用社会科学，决策理论和管理科学中的理论知识来扩展数据科学的一门工程类学科。本Topic收录了第二次智源大会-决策智能的主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：网络表示学习（representation learning on network） 论文集地址：https://www.aminer.cn/topic/5e7ef61ac1b7e55a5aea64d3?f=cs 简介：网络表示学习，一般说的就是向量化技术，简单来说，就是将网络中的结构（节点、边或者子图），通过一系列过程，变成一个多维向量，通过这样一层转化，能够将复杂的网络信息变成结构化的多维特征，从而利用机器学习方法实现更方便的算法应用。"

名称：异构网络表示学习（Heterogeneous Network Representation Learning） 论文集地址：https://www.aminer.cn/topic/5ea142b5a7058c6e355a700f?f=cs 简介：异构网络(Heterogeneous Network）是一种类型的网络，其是由不同制造商生产的计算机，网络设备和系统组成的，大部分情况下运行在不同的协议上支持不同的功能或应用。 表示学习，又称学习表示。在深度学习领域内，表示是指通过模型的参数，采用何种形式、何种方式来表示模型的输入观测样本X。表示学习指学习对观测样本X有效的表示。表示学习有很多种形式，比如CNN参数的有监督训练是一种有监督的表示学习形式，对自动编码器和限制玻尔兹曼机参数的无监督预训练是一种无监督的表示学习形式，对DBN参数-先进行无监督预训练，再进行有监督fine-tuning-是一种半监督的共享表示学习形式。"

名称：AI医疗（2020智源大会）（AI in Healthcare (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d6d392c7f9be21772b01?f=cs 简介：AI赋能医疗。人工智能医疗简单说即以互联网为依托，通过基础设施的搭建及数据的收集，将人工智能技术及大数据服务应用于医疗行业中，提升医疗行业的诊断效率及服务质量。本Topic收录了第二次智源大会-认知神经基础的主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：强化学习（2020智源大会）（Reinforcement Learning (2020 BAAI Conference)） 论文集地址：https://www.aminer.cn/topic/5ee4d73192c7f9be21791a31?f=cs 简介：强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。本Topic收录了第二次智源大会-强化学习的主讲嘉宾的历史论文和一些其他学者的相关论文。"

名称：腾讯 AI 实验室（Tencent AI Lab） 论文集地址：https://www.aminer.cn/topic/5f0d536992c7f9be2172470d?f=cs 简介：腾讯AI实验室发表的相关论文"

名称：阿里巴巴达摩院（阿里巴巴达摩院） 论文集地址：https://www.aminer.cn/topic/5f1504cc92c7f9be21326d56?f=cs 简介：阿里巴巴达摩院发表的相关论文"

名称：华为诺亚方舟实验室（Huawei Noah’s Ark Lab） 论文集地址：https://www.aminer.cn/topic/5f1f962a92c7f9be219d5dd0?f=cs 简介：诺亚方舟实验室是华为技术的AI研究中心，位于香港，深圳，北京，上海，西安，伦敦，巴黎，多伦多，蒙特利尔，埃德蒙顿等地。 实验室的任务是通过在人工智能，数据挖掘和相关领域的创新为公司和社会做出重大贡献。在长期和具有重大影响的项目的推动下，实验室的研究还试图在创新过程的每个阶段推进该领域的最新技术，并利用公司的产品和服务。 作为世界一流的研究实验室，我们正在推动我们所从事的所有领域的研发前沿，我们敢于应对AI和大数据时代的挑战和机遇，以革新人们的工作方式并通过“从大数据到深入的知识”的口号，通过所有流程的智能化，以及企业的经营方式。 实验室的研究领域主要包括计算机视觉，自然语言处理，搜索和推荐，决策与推理，人工智能理论。 实验室成立于2012年，现已发展成为一个研究机构，在学术界和工业界均取得了许多重大成就。我们欢迎有才华的研究人员和工程师加入我们，以实现他们的梦想。"

名称：旷视科技（Beijing Megvii Co., Ltd.） 论文集地址：https://www.aminer.cn/topic/5f2d044692c7f9be21cb8e8a?f=cs 简介：旷视的核心技术是计算视觉及传感技术相关的人工智能算法，包括但不限于人脸识别、人体识别、手势识别、文字识别、证件识别、图像识别、物体识别、车牌识别、视频分析、三维重建、智能传感与控制等技术。旷视通过底层AI算法引擎和AIoT操作系统的建设实现技术商业化。"

名称：字节跳动（字节跳动） 论文集地址：https://www.aminer.cn/topic/5f2d061f92c7f9be21ccca64?f=cs 简介：字节跳动人工智能实验室成立于2016年 ，旨在针对人工智能相关领域的长期性和开放性问题进行探索，帮助公司实现对未来发展的构想 。其独立研发的“今日头条”客户端，通过海量信息采集、深度数据挖掘和用户行为分析，为用户智能推荐个性化信息，从而开创了一种全新的新闻阅读模式。"

名称：百度深度学习研究院（百度深度学习研究院） 论文集地址：https://www.aminer.cn/topic/5f2d063d92c7f9be21ccd94c?f=cs 简介：2013年1月19日，百度CEO李彦宏在2012年年会上提出，2013年百度将建立初期专注于Deep Learning(深度学习)的研究院，并命名为Institute of Deep Learning(简称IDL)。"

名称：自监督学习（Self-Supervised Learning） 论文集地址：https://www.aminer.cn/topic/5f685d8d92c7f9be21b22359?f=cs 简介：自监督学习本质上是一种无监督学习的方法，通常会设置一个“Pretext tasks”，根据数据的一些特点，构造Pesdeo Labels来训练网络模型。通过自监督得到的模型，可以作为其他学习任务的预训练模型，为其提供更好的训练初始区域。"

名称：NeurIPS 历年最佳论文汇总（NeurIPS Best Papers Collecting） 论文集地址：https://www.aminer.cn/topic/5f6aebeb92c7f9be213c55fa?f=cs 简介：神经信息处理系统年会的目的是促进神经信息处理系统在其生物、技术、数学和理论方面的研究交流。核心焦点是同行评议的新研究，在一般会议上提出和讨论，并由他们的领域的领导人邀请演讲。"

名称：ICML 历年最佳论文汇总（ICML Best Papers Collecting） 论文集地址：https://www.aminer.cn/topic/5f6aec1f92c7f9be213c80a7?f=cs 简介：ICML 是 International Conference on Machine Learning的缩写，即国际机器学习大会。ICML如今已发展为由国际机器学习学会（IMLS）主办的年度机器学习国际顶级会议。"

名称：AAAI 历年最佳论文汇总（AAAI Best Papers Collecting） 论文集地址：https://www.aminer.cn/topic/5f6aec3b92c7f9be213c9173?f=cs 简介：人工智能促进协会。前身为美国人工智能协会，是一个非盈利的学术研究组织，致力于推动针对智能行为本质的科学研究。"

名称：IJCAI 历年获奖论文汇总（IJCAI Awarded Papers Collecting） 论文集地址：https://www.aminer.cn/topic/5f6af08992c7f9be213f1ecc?f=cs 简介：国际人工智能国际联合会议是一家非营利性公司，于1969年在加利福尼亚成立，其目的是进行科学和教育用途，包括在会议上传播人工智能信息，这些会议上展示前沿科学成果并通过传播会议上的材料进行介绍。以会议记录，书籍，录像带和其他教育材料的形式召开会议。"

名称：元学习和少样本学习（Meta-learning & Few-shot Learning） 论文集地址：https://www.aminer.cn/topic/5f8d76ea92c7f9be211b083d?f=cs 简介：元学习是元认知的一个分支，它关注于一个人对自己学习和学习过程的了解。"

名称：NeurIPS2020 图机器学习（NeurIPS2020 Graph Machine Learning） 论文集地址：https://www.aminer.cn/topic/5fa4ef7792c7f9be216456d3?f=cs 简介：收录了NeurIPS 2020会议发表的图机器学习的相关论文。"

名称：对比学习（Contrastive Learning） 论文集地址：https://www.aminer.cn/topic/5fcdfeef92c7f9be21e21eb1?f=cs 简介：对比学习是一种为深度学习模型描述相似和不同事物的任务的方法。利用这种方法，可以训练机器学习模型来区分相似和不同的图像。"

名称：弱监督学习（Weakly Supervised Learning） 论文集地址：https://www.aminer.cn/topic/5fd9e25192c7f9be21a1568c?f=cs 简介：弱监督学习，介于有监督和无监督之间的一种学习方式。本论文集收集了通过弱监督学习方法实现的语义分割、图像分割的相关论文。"

名称：机器学习应用开发（Machine Learning Operations） 论文集地址：https://www.aminer.cn/topic/5ff450f492c7f9be21762bac?f=cs 简介："

名称：机器学习在生产中的应用（Data science & machine learning in production） 论文集地址：https://www.aminer.cn/topic/5ff45ae292c7f9be21b93c14?f=cs 简介：机器学习模型可以增企业的几乎所有方面，从市场营销到销售再到维护。在生产制造业，物联网的兴起及其带来的前所未有的海量数据，为利用机器学习带来了无数机会。根据《全球市场观察》的一份报告，全球制造业机器学习将从2018年的10亿美元飙升至2025年的160亿美元。除此之外，还需要不断降低成本，促进工业4.0技术的应用。具体来说，在预测性维护、质量控制、物流及存货管理等领域，深度学习都有了广泛的应用。"

名称：机器学习的基础和趋势（Foundations and Trends® in Machine Learning） 论文集地址：https://www.aminer.cn/topic/5ffab74392c7f9be21308238?f=cs 简介：机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。其基础涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。而近年来的趋势则是使用更大规模的神经网络（即深度学习）及模型的可解释性方向发展。"

名称：对抗机器学习（Adversarial Machine Learning） 论文集地址：https://www.aminer.cn/topic/6004e5e392c7f9be216899f4?f=cs 简介：对抗机器学习是一种机器学习技术，它试图通过提供欺骗性输入来欺骗模型。最常见的原因是导致机器学习模型出现故障。大多数机器学习技术都旨在处理特定的问题集，在这些问题集中，训练和测试数据是从相同的统计分布中生成的。将这些模型应用于现实世界时，对手可能会提供违反该统计假设的数据。可能会利用此数据来利用特定漏洞并损害结果。"

名称：深度对抗学习（Adversarial Examples for Deep Learning） 论文集地址：https://www.aminer.cn/topic/6004e66e92c7f9be2169ac0b?f=cs 简介：深度学习模型与传统的机器学习方法一样，通常假设训练数据与测试数据服从同样的分布，或者是在训练数据上的预测结果与在测试数据上的预测结果服从同样的分布，另外有时候并不能很好地学到训练数据中的一些特征。深度对抗学习就是为了解决上述问题而被提出的一种方法。学习的过程可以看做是我们要得到一个模型（例如CNN），使得它在一个输入数据上得到的输出结果尽可能与真实的结果一致。在这个过程中使用一个鉴别器（discriminator），它可以识别出一个结果到底是来自模型的预测值还是来自真实的结果。如果这个鉴别器的水平很高，无法分清它们之间的区别，那么就说明我们需要的模型具有很好的表达或者预测能力。"

名称：内隐神经表征（Implicit Neural Representations） 论文集地址：https://www.aminer.cn/topic/6004e6bb92c7f9be2169cb1a?f=cs 简介：内隐神经表征，又称学习表示。在深度学习领域内，内隐神经表征是指通过模型的参数，采用何种形式、何种方式来表示模型的输入观测样本X。内隐神经表征有很多种形式，比如CNN参数的有监督训练是一种有监督的学习形式，对自动编码器和限制玻尔兹曼机参数的无监督预训练是一种无监督的学习形式，对DBN参数先进行无监督预训练，再进行有监督fine-tuning是一种半监督的共享表示学习形式。近年来，内隐神经表征的研究在深度学习领域引起了广泛的关注，在自然语言处理中，将句子或者词表示成向量的形式已经成为了约定俗成的第一步，在计算机视觉中，使用CNN首先处理图像也被广泛认可，而网络表示学习等多个相关领域的兴起也预示着内隐神经表征必定成为未来很长一段时间的研究热点。"

名称：三维机器学习（3D Machine Learning） 论文集地址：https://www.aminer.cn/topic/6006a90b92c7f9be212ed284?f=cs 简介：三维数据通常可以用不同的格式表示，包括深度图像、点云、网格和体积网格。近年来，机器学习技术已成为计算机视觉、语音识别、自然语言处理、生物信息学等领域的研究热点，因此使用机器学习技术处理三维数据已成大势所趋。例如点云表示作为一种常用的表示格式，在三维空间中保留了原始的几何信息，不需要任何离散化。因此，它是许多场景理解相关应用（如自动驾驶和机器人）的首选表示。而机器学习技术就对于提取点云表示有着很好的效果和作用。"

名称：领域自适应（Domain Adaptation） 论文集地址：https://www.aminer.cn/topic/60097fc592c7f9be2100b64c?f=cs 简介：领域适应（Domain Adaptation）是与机器学习和迁移学习相关的领域。当我们的目标是从源数据分布中学习在不同目标数据分布上运行良好的模型时，就会出现这种情况。例如，常见垃圾邮件过滤问题的任务之一就是使一个用户的模型适应接收截然不同的电子邮件的新用户。领域适应性也已被证明对学习不相关的资源是有益的。根据目标域和源域的不同类型，领域自适应问题有四类不同的场景：无监督的，有监督的，异构分布和多个源域问题。通过在不同阶段进行领域自适应，研究者提出了三种不同的领域自适应方法：1）样本自适应，对源域样本进行加权重采样，从而逼近目标域的分布。2）特征层面自适应，将源域和目标域投影到公共特征子空间。3）模型层面自适应，对源域误差函数进行修改，考虑目标域的误差。"

名称：联邦学习（Federated Learning） 论文集地址：https://www.aminer.cn/topic/600e890992c7f9be21d74695?f=cs 简介：联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。"

名称：神经信息检索（Neural Information Retrieval） 论文集地址：https://www.aminer.cn/topic/6013e0e592c7f9be21c08510?f=cs 简介：信息检索（information retrieval，IR）的神经排序模型使用浅层或深层神经网络来根据查询对搜索结果进行排序。传统的学习排序的模型是在手工标注的信息检索特征上使用机器学习技术，与之相反，神经模型可以从原始文本材料（这些材料可以弥合查询与文档词汇之间的差距）中学习语言的表征。文本表征可通过非监督或监督方式习得。监督式方法使用诸如标注的查询文档对这样的信息检索数据来习得一个表征，其专为手头任务进行端到端优化。如果没有足够的信息检索标记，那么非监督式方法可仅通过使用查询和/或文档来习得一个表征。"

名称：基于深度学习的目标检测（Deep Learning Object Detection） 论文集地址：https://www.aminer.cn/topic/6017af1792c7f9be21c8e72d?f=cs 简介：目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题。在没有深度神经网络之前，目标检测实现的主要方式还是基于统计或知识的方法。深度学习流行起来之后，鉴于深度神经网络的惊人表现，使得业界对目标检测的研究基本都转移到了以深度神经网络为基础的方向上。"

名称：多智能体强化学习（Multi-Agent Reinforcement Learning） 论文集地址：https://www.aminer.cn/topic/6017af5a92c7f9be21c931d2?f=cs 简介：近年来，随着强化学习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，即多智能体强化学习（multi-agent reinforcement learning）。当同时存在多个智能体与环境交互时，整个系统就变成一个多智能体系统。每个智能体仍然是遵循着强化学习的目标，也就是是最大化能够获得的累积回报，而此时环境全局状态的改变就和所有智能体的联合动作相关了。因此在智能体策略学习的过程中，需要考虑联合动作的影响。"

名称：终生学习（Lifelong Learning） 论文集地址：https://www.aminer.cn/topic/601fb8f692c7f9be21151cfd?f=cs 简介：人和高级动物在整个生命中不断获取、微调和转让知识和技能。这种能力，称为lifelong learning，是由一系列神经认知机制协调的过程，这些机制共同促进了sensorimotor技能的发展以及对长期记忆的巩固和检索。因此对于计算系统和自动化智体，lifelong learning能力，对能否在现实世界进行交互并处理连续信息，至关重要。但是，长期来看，lifelong/continual learning仍然是机器学习和神经网络模型的挑战，因为从非平稳数据分布中不断递增地获取可用信息通常会导致catastrophic forgetting或者interference问题，即用新信息训练模型的时候会干扰先前学习的知识。这种现象通常会导致性能突然下降，或者最坏的情况下导致旧知识被新知识完全overwrite。对于拿固定训练数据来学习的深度神经网络模型，其随时间递增的信息无法可用这一点，会成为一个主要缺陷。"

名称：解耦表示学习（Disentangled Representation） 论文集地址：https://www.aminer.cn/topic/601fbf1392c7f9be21266c41?f=cs 简介：如果在处理复杂数据时，我们能把表现较好的神经网络和人工建模方法结合起来，可解释性、生成和操作对象的能力、无监督特征学习和零样本学习的问题，都可以在一定程度上得到解决。对于微分方程和其他人工建模方法来说，图像处理很难进行，但通过和深度学习进行结合，上述模型允许我们进行对象的生成和操作、可解释性强，最重要的是，该模型可以在其他数据集上完成相同的工作。模型中的特征虽然具有可解释性，但特征之间是相关联的，换句话说，这些特征是耦合在一起的。这个时候实现解耦表示十分重要，也就是让嵌入中的每个元素对应一个单独的影响因素，并能够将该嵌入用于分类、生成和零样本学习。"

名称：蒙特卡洛树搜索（Monte Carlo Tree Search） 论文集地址：https://www.aminer.cn/topic/60210ae392c7f9be218cbf84?f=cs 简介：蒙特卡洛树搜索全称Monte Carlo Tree Search，是一种人工智能问题中做出最优决策的方法，一般是在组合博弈中的行动（move）规划形式。它结合了随机模拟的一般性和树搜索的准确性。MCTS受到快速关注主要是由计算机围棋程序的成功以及其潜在的在众多难题上的应用所致。超越博弈游戏本身，MCTS理论上可以被用在以{状态state，行动action}对定义和用模拟进行预测输出结果的任何领域。"

名称：模仿学习（Imitation Learning） 论文集地址：https://www.aminer.cn/topic/6034ab2a92c7f9be21992b08?f=cs 简介：在传统的强化学习任务中，通常通过计算累积奖赏来学习最优策略，这种方式简单直接，而且在可以获得较多训练数据的情况下有较好的表现。然而在多步决策中，学习器不能频繁地得到奖励，且这种基于累积奖赏及学习方式存在非常巨大的搜索空间。而模仿学习（Imitation Learning）的方法经过多年的发展，已经能够很好地解决多步决策问题，在机器人、NLP等领域也有很多的应用。模仿学习是指从示教者提供的范例中学习，一般提供人类专家的决策数据，每个决策包含状态和动作序列，将所有「状态-动作对」抽取出来构造新的集合。之后就可以把状态作为特征，动作作为标记进行分类（对于离散动作）或回归（对于连续动作）的学习从而得到最优策略模型。模型的训练目标是使模型生成的状态-动作轨迹分布和输入的轨迹分布相匹配。"

名称：元学习在自然语言处理中的应用（Meta learning for NLP） 论文集地址：https://www.aminer.cn/topic/60362eae92c7f9be213e2b60?f=cs 简介：元学习，又被称作“学会学习”，是近期深度学习研究界的一大关注热点，旨在帮助新任务在缺乏训练样本的情况下快速学习、快速适应。随着元学习理论不断成熟，越来越多的自然语言处理任务开始引入元学习经典模型来攻克领域内的一些难点。"

名称：课程式学习（Curriculum Learning） 论文集地址：https://www.aminer.cn/topic/60362efb92c7f9be213f6e25?f=cs 简介：在2009年的国际顶级机器学习会议ICML上，以机器学习领军人物Bengio为首的研究团队首次提出了课程式学习（Curriculum Learning）的概念，主张让模型先从容易的样本开始学习，并逐渐进阶到复杂的样本和知识。Curriculum Learning对于机器学习有如下两个层面的帮助：1. 可以加速机器学习模型的训练。在达到相同的模型性能条件下，Curriculum Learning可以加速训练，减少训练迭代步数；2. 使模型获得更好的泛化性能，即能让模型训练到更好的局部最优值状态。"

名称：机器学习系统（Machine Learning System） 论文集地址：https://www.aminer.cn/topic/603877ac92c7f9be21a6103c?f=cs 简介：机器学习系统的研究方向定义为在现实世界中设计和实现一类系统，这类系统用于支持和部署机器学习模型。随着机器学习模型的快速迭代，旧的系统已经不能为机器学习的应用提供最优的平台，并且这个成为了机器学习方法落地及大规模应用的阻碍之一。这类系统的研究包含三个层面：硬件系统，软件系统，以及以精确度以外的标准（能耗，抗攻击新，公平性等）为目标的机器学习模型的支持体系。"

名称：有限制强化学习（Constrained RL） 论文集地址：https://www.aminer.cn/topic/603de59a92c7f9be21b057f3?f=cs 简介：Constrained RL的主要思路就是把安全转化为约束，通过改变优化准则达到安全的目的。挑战有2点：1. 求解速度快，最好是一阶优化；2. 对训练的严格程度：不要求训练过程，训练后得到符合约束的策略；训练期间尽可能少的违反约束，训练期间违反约束被按一定概率严格控制甚至不违反。"

名称：关于预训练模型的论文（关于预训练模型的论文） 论文集地址：https://www.aminer.cn/topic/604092fb92c7f9be21389bd1?f=cs 简介：在当下的 NLP 研究领域，随着计算机算力的不断增强，越来越多的通用语言表征的预训练模型（Pre-trained Models，PTMs）逐渐涌现出来。这对下游的 NLP 任务非常有帮助，可以避免大量从零开始训练新的模型。PTM 大致可以分为两代：第一代 PTM 旨在学习词嵌入。由于下游任务不在需要这些模型，因此为了计算效率，这些模型往往采用浅层模型，例如 Skip-Gram，GloVe 等。尽管这些模型可以捕获词的语义，但由于未基于上下文环境，因此不能够捕捉到更深层次的概念，例如：句法结构，语义角色，指代等等；第二代 PTM 专注于学习基于上下文的词嵌入，例如 CoVe，ELMo，OpenAI GPT 和 BERT 等。这些学习到的编码器在下游任务中仍会用于词在上下文中的语义表示。"

名称：表示学习在自然语言处理中的应用（Representation learning in NLP） 论文集地址：https://www.aminer.cn/topic/6061f38492c7f9be21e06eb4?f=cs 简介：语义表示是自然语言处理的基础，我们需要将原始文本数据中的有用信息转换为计算机能够理解的语义表示，才能实现各种自然语言处理应用。表示学习旨在从大规模数据中自动学习数据的语义特征表示，并支持机器学习进一步用于数据训练和预测。以深度学习为代表的表示学习技术，能够灵活地建立对大规模文本的语义表示。"

名称：表示学习在计算机视觉中的应用（Representation learning in CV） 论文集地址：https://www.aminer.cn/topic/6061f47992c7f9be21e594ed?f=cs 简介：计算机视觉中的表征学习是从原始数据中提取特征。特征提取涉及将原始数据处理到向量空间中，捕获表示该数据的基础时空信息。在计算机视觉中，表征学习算法可分为两类：监督学习（Supervised learning）： 利用大量的标注数据来训练神经网络模型，完成模型训练之后，不直接使用分类的 fc 层的输出，而是其前一层的输出作为 Representation 用于下游任务；自监督学习（Self-Supervised Learning）： 利用大规模的无标注的数据，选择合适的辅助任务（pretext）和自身的监督信号，进行训练，从而可以学习到 Representation 用于下游任务。"

名称：迁移学习在计算机视觉中的应用（Transfer learning in CV） 论文集地址：https://www.aminer.cn/topic/6063453a92c7f9be215edcf4?f=cs 简介：在某些计算机视觉领域如生物信息，由于其数据获取和数据标注都需要进行大量的临床试验，因此很难构建大规模带有标注的高质量数据集，从而限制了它的发展。为此，有人提出了迁移学习，这放松了数据获取的假设：只要求训练数据必须独立且与测试数据相同分布，这促使我们可以使用迁移学习来解决训练数据不足的问题。"

名称：迁移学习在自然语言处理中的应用（Transfer learning in NLP） 论文集地址：https://www.aminer.cn/topic/6063459c92c7f9be21608c12?f=cs 简介：迁移学习无疑是目前深度学习中的新热点。在NLP中，迁移学习主要限于使用预训练的单词嵌入（这大大改善了基线）。最近，研究人员正在努力将整个模型从一项任务转移到另一项任务。Sebastian Ruder和Jeremy Howard是第一个通过其提出的ULMFiT方法，在NLP中的应用了迁移学习方法，该方法超越了所有最新的文本分类技术。"

名称：主动学习在自然语言处理中的应用（Active learning in NLP） 论文集地址：https://www.aminer.cn/topic/60656ab092c7f9be21564106?f=cs 简介：主动学习的流程可以分为初始化和循环查询两个阶段。在初始化阶段，先随机的从无标签数据集中选取一小部分样本由标注者完成标注，并将这一小部分标注样本作为初始训练集，建立初始的机器学习模型。主动学习的循环阶段有重新训练机器学习模型的步骤，重新训练模型一种方式是用全部语料重新训练模型参数，另一种方式是在已有的模型参数的基础上做模型参数的fine-tuning。对自然语言处理Google发布的BERT新模型就在在11项NLP任务中获得了不错的结果。"

名称：主动学习在计算机视觉中的应用（Active learning in CV） 论文集地址：https://www.aminer.cn/topic/60656b2592c7f9be2157f7e2?f=cs 简介：在图像分类中,需要大量有标记的样本来训练稳定的分类模型,以实现对未知图像的准确分类。但是在实际应用中,有标记的图像数量非常之少,无标记的图像却随处可见,且图像的人工标记是件费时费力的工作。为了减少人工标记工作量,主动学习(Active Learning)技术被引入到图像分类中。主动学习的主要思想是：在大量未标记的样本中,采用某种策略,挑选少量最有信息量且最具代表性的样本交给专家进行标记。"

名称：对抗学习在自然语言处理中的应用（Adversarial learning in NLP） 论文集地址：https://www.aminer.cn/topic/60656c2c92c7f9be215bd1f2?f=cs 简介：自然语言处理方面的研究在近几年取得了惊人的进步，深度神经网络模型已经取代了许多传统的方法。但是，当前提出的许多自然语言处理模型并不能够反映文本的多样特征。因此，许多研究者认为应该开辟新的研究方法，特别是利用近几年较为流行的对抗样本生成和防御的相关研究方法。"

名称：强化学习在计算机视觉中的应用（Reinforcement learning in CV） 论文集地址：https://www.aminer.cn/topic/6069696f92c7f9be21496f59?f=cs 简介：近几年,深度学习和强化学习中一些先进方法的出现使得两者的结合成为可能,其产物就是深度强化学习。而在计算机视觉这一领域，强化学习也得到了很多应用，特别是在机器人领域。"

名称：强化学习在自然语言处理中的应用（Reinforcement learning in NLP） 论文集地址：https://www.aminer.cn/topic/606969cb92c7f9be214ab92e?f=cs 简介：近几年,深度学习和强化学习中一些先进方法的出现使得两者的结合成为可能,其产物就是深度强化学习。深度强化学习既有继承于深度学习的强泛化和自特征提取能力,又可以像强化学习方法一样,使智能系统通过自我的试错在给定环境中学习解决特定任务的策略。而最近在自然语言处理方面，主要方向是利用RL辅助学习语义向量，再使用下游任务进行评估和用RL对模型进行微调。"

名称：因果推理在计算机视觉中的应用（Causal Reasoning in CV） 论文集地址：https://www.aminer.cn/topic/60696cb392c7f9be21560a0d?f=cs 简介：计算机视觉中因果推理的应用，可以从两个方面来归纳：常识因果和事件因果。常识因果的研究关键词是relation，通常用graph来建模，也会利用到知识等先验作为指导。事件因果的研究关键词是independent，通常要求算法独立出研究对象，保留其对结果的影响，去除其他因素。"

名称：因果推理在自然语言处理中的应用（Causal Reasoning in NLP） 论文集地址：https://www.aminer.cn/topic/60696ea392c7f9be215d6bca?f=cs 简介：近年来，深度学习在自然语言处理领域获得了巨大的成功。但是，质疑声也一直不绝于耳，尤其是关于深度学习容易学习到语言数据集上的伪关系的问题一直没有得到解决。因果推断理论告诉我们，这是由于混杂因子造成的。然而，将因果推断方法应用到自然语言处理目前仍然面临着一些困难：什么是自然语言当中的随机变量？如何从表示中找出混杂因子？如何让学习结果更加稳定，避免受训练集中的伪关系影响？其中最大的困难，在于如何定义自然语言中的因果关系。"

名称：自动机器学习在计算机视觉中的应用（AutoML in CV） 论文集地址：https://www.aminer.cn/topic/6069709c92c7f9be21655253?f=cs 简介：2017年5月，Google Brain的研究人员宣布创建AutoML–一种能够让AI生成AI的人工智能。 最近，他们决定向AutoML提出迄今为止最大的挑战，使得AI可以自己“孕育”AI，创建了一个超过所有人类智慧的“孩子”。Google的研究人员使用一种称为强化学习的方法来自动设计机器学习模型。 AutoML充当一个神经网络控制器，为特定任务开发一个子AI网络。 对于研究人员称为NASNet的这个特殊的儿童AI来说，这个任务是实时地在视频中识别物体：人，汽车，交通信号灯，手袋，背包等等。AutoML将评估NASNet的性能，并使用这些信息来改善其子AI，重复这个过程数千次。在Google研究人员称为“计算机视觉领域最受尊敬的两个大型学术数据集”的ImageNet图像分类和COCO目标检测数据集上进行测试时，NASNet胜过了所有其他计算机视觉系统。"

名称：自动机器学习在自然语言处理中的应用（AutoML in NLP） 论文集地址：https://www.aminer.cn/topic/6069755f92c7f9be217a95e2?f=cs 简介：网络架构搜索(NAS)已成为机器学习领域的热门课题。商业服务(如谷歌的AutoML)和开源库(如Auto-Keras)使NAS可用于更广泛的机器学习环境。在自然语言处理领域，自动机器学习也有着广泛的应用，研究者们很关注将多任务学习和自动机器学习结合起来应用于自然语言处理中。"

名称：自监督学习在计算机视觉中的应用（Self-supervised learning in CV） 论文集地址：https://www.aminer.cn/topic/6069793392c7f9be218a85e3?f=cs 简介：在计算机视觉（CV）领域，目前的方法主要依赖大量的标注样本来学习丰富的视觉表征，从而在各项CV任务中取得较好的表现。然而在许多情况下，大规模的人工标注并不容易获得。因此，我们希望可以利用无监督方法去学习那些不带标注的样本。自监督学习，是无监督学习的一种，即无需额外的人工标签，仅利用数据自身的信息作为监督（自己监督自己）。"

名称：自监督学习在自然语言处理中的应用（Self-supervised learning in NLP） 论文集地址：https://www.aminer.cn/topic/60697b1392c7f9be2191f175?f=cs 简介：虽然计算机视觉在最近几年才在自监督学习方面取得了令人惊叹的进展，但我监督学习在很长一段时间内一直是NLP研究的一等公民。语言模型早在90年代就已经存在了，甚至在“自监督学习”这个词被定义之前就已经存在了。2013年的word2vec论文普及了这一范式，该领域在许多问题上应用这些自我监督的方法取得了快速进展。"

名称：基于预训练模型的口语语言理解（Spoken Language Understanding-Pre-trained） 论文集地址：https://www.aminer.cn/topic/606d020792c7f9be21096753?f=cs 简介：口语语言理解（Spoken Language Understanding，SLU）作为任务型对话系统的核心组件，目的是为了获取用户询问语句的框架语义表示（semantics frame）信息，进而将这些信息为对话状态追踪模块（DST）以及自然语言生成模块（NLG）所使用。SLU任务通常包含以下两个任务：意图识别任务（intent detection）和槽位填充任务（slot filling）,近年来预训练模型在各大自然语言处理任务中取得了成功，本论文集包含基于预训练模型的口语语言理解论文。"

名称：社会化推荐（Social Recommender System） 论文集地址：https://www.aminer.cn/topic/606fbd3c92c7f9be2190f00e?f=cs 简介：社会化推荐通过社交行为数据，利用计算机技术，例如机器学习、数据挖掘、自然语言处理等进行研究，挖掘出集体智慧。这种服务方式不同于传统的信息推荐服务，它将社会网络、社交媒体视为信息推荐的主要平台，使用户的隐性知识在社会化推荐过程中与其他用户进行交互，形成交流。"

名称：基于机器学习/深度学习的情绪识别（Emotion Recognition） 论文集地址：https://www.aminer.cn/topic/6082d9f692c7f9be21edc129?f=cs 简介：近年来，世界各地的研究人员一直在尝试开发通过分析图像、视频或音频剪辑来自动检测人类情绪的工具。这些工具可以有许多应用，例如，改善人机交互或帮助医生识别精神或神经疾病的迹象(例如，基于非典型的语音模式、面部特征等)。传统的情绪识别工具的主要局限是，当人们的面部表情模糊或难以区分时，它们无法获得令人满意的性能。与这些方法相比，人类不仅能够根据自己的面部表情，而且还可以根据上下文线索(例如，他们正在执行的动作，与他人的互动，所在的位置等)来识别他人的情绪。过去的研究表明，同时分析面部表情和与上下文相关的特征可以显着提高情绪识别工具的性能。近年来，基于深度学习的网络架构逐渐涌现，该网络架构可以基于人的面部表情和上下文信息识别图像中的人的情绪。"

名称：基于机器学习/深度学习的运动图像识别（Motor Imagery） 论文集地址：https://www.aminer.cn/topic/6082da6892c7f9be21efa8fc?f=cs 简介：随着信息技术的快速发展壮大和应用的普及，利用计算机视觉的技术在图像处理方面和模式识别领域中研究，并对视频图像进行人体运动特征提取与有效识别己成为人们关注的热点问题。计算机视觉技术对人体运动的视频或者图像进行识别是基于对其视频或者图像的序列进行分析处理；对检测出的人体运动目标进行运动特征提取和分类识别，从而达到理解和描述其行为的目的。基于视频图像的人体运动特征分析在智能视频监控、智能接口、虚拟现实等领域有着相当广阔的应用前景。"

名称：基于机器学习/深度学习的生物信号分类（Physiological Signal Classifica） 论文集地址：https://www.aminer.cn/topic/6082daaa92c7f9be21f0b71e?f=cs 简介：人口老龄化进程及人类寿命的延长使人们患慢性疾病,比如心血管疾病、老年痴呆、中风等的风险大大增加,而我国基层医疗资源严重不足。人口和社会发展迫切需要建立针对慢性疾病的新型智慧医疗体系,即融合可穿戴诊疗、远程监测、智能诊断和服务为一体的医疗系统。心电图(ECG)和脑电图(EEG)不仅是心血管疾病、老年痴呆和中风等慢性疾病监测和诊疗的基础,而且此类生物电信号具有非侵入、经济、便捷灵活等特点,在未来可穿戴智慧医疗中具有重要应用价值。心电和脑电等生物电信号具有噪声强、随机性强、非线性、混沌性等特点,并且针对不同个体和场景具有较大变异性。对这些信号的处理和自动诊断方法的研究是可穿戴医疗及智能诊断装备的关键技术和难点。目前深度学习技术的出现很好的解决了这些问题。"

名称：基于机器学习/深度学习的睡眠信号分类（Sleep Stages Classification） 论文集地址：https://www.aminer.cn/topic/6082daea92c7f9be21f19e48?f=cs 简介：睡眠阶段分类作为一种典型的生理信号分类任务，对睡眠质量评估和疾病诊断至关重要。但是，如何有效利用大脑的空间特征和睡眠阶段之间的时间转换信息仍然是一个挑战。特别是由于人类对人脑的了解是有限的，为睡眠阶段分类预定义合适的空间脑连接结构仍然是一个悬而未决的问题。目前基于深度学习的卷积神经网络、循环神经网络、图神经网络等都在这一领域取得不错的进展。"

名称：语言预训练模型架构（Pre-trained Language Model） 论文集地址：https://www.aminer.cn/topic/6085691f92c7f9be2132f9ca?f=cs 简介：目前，预训练模型已经在自然语言处理任务中发挥了较为关键的作用，模型主要分为3个大类：单向特征表示的自回归预训练语言模型，统称为单向模型；双向特征表示的自编码预训练语言模型，统称为BERT系列模型和双向特征表示的自回归预训练语言模型。"

名称：语言预训练模型的压缩和加速（Pre-trained Language Model Compression & Acceleration） 论文集地址：https://www.aminer.cn/topic/6085692f92c7f9be21335c2f?f=cs 简介：近期，大规模和超大规模预训练模型一步一步刷新了我们的认知。但是我们想拿来就用的梦想却被手头的设备要求扼杀在了萌芽中。模型压缩是解决这个问题非常自然的一个想法，它的核心的思路包括：参数量化、权重共享、知识蒸馏，尤其是在BERT为基础的模型压缩工作近些年也层出不穷。"

名称：语言预训练模型分析（Pre-trained Language Model Analysis） 论文集地址：https://www.aminer.cn/topic/6085693a92c7f9be2133a10c?f=cs 简介：预训练模型近年来在自然语言处理的相关任务中取得了巨大的成功，但是以BERT为首的预训练模型具体从大型的语料库中学到了什么，为什么比其他的语言表示模型要更优，一直是研究界所关心的问题。本论文集收录了对BERT进行分析的一系列文章，旨在阐述清楚该问题，并为未来的研究提供更明确的方向。"

名称：网络表征学习基础模型（Network Representation Learning Basic Models） 论文集地址：https://www.aminer.cn/topic/609373ee92c7f9be215995a2?f=cs 简介：网络表征学习（又叫做图嵌入学习）作为解决数据关系异构性的有效方法成为了近年来很重要的研究问题，并且已经在网络边预测、网络节点分析、网络可视化、自然语言处理等方面广泛应用。本文论文集包含网络表征学习的基础模型。"

名称：网络表征学习属性网络（Network Representation Learning Attributed Network） 论文集地址：https://www.aminer.cn/topic/6093745f92c7f9be215b21dc?f=cs 简介：网络表征学习（又叫做图嵌入学习）作为解决数据关系异构性的有效方法成为了近年来很重要的研究问题，并且已经在网络边预测、网络节点分析、网络可视化、自然语言处理等方面广泛应用。本文论文集包含网络表征学习的属性网络相关论文。"

名称：网络表征学习动态网络（Network Representation Learning Dynamic Network） 论文集地址：https://www.aminer.cn/topic/6093752292c7f9be215db97a?f=cs 简介：网络表征学习（又叫做图嵌入学习）作为解决数据关系异构性的有效方法成为了近年来很重要的研究问题，并且已经在网络边预测、网络节点分析、网络可视化、自然语言处理等方面广泛应用。本文论文集包含网络表征学习的动态网络相关论文。"

名称：网络表征学习异构信息网络（Network Representation Learning Heterogeneous Information Network） 论文集地址：https://www.aminer.cn/topic/6093784f92c7f9be21687bcc?f=cs 简介：网络表征学习（又叫做图嵌入学习）作为解决数据关系异构性的有效方法成为了近年来很重要的研究问题，并且已经在网络边预测、网络节点分析、网络可视化、自然语言处理等方面广泛应用。本文论文集包含网络表征学习的异构信息网络相关论文。"

名称：网络表征学习应用（Network Representation Learning Applications） 论文集地址：https://www.aminer.cn/topic/60937ae692c7f9be21714ae0?f=cs 简介：网络表征学习（又叫做图嵌入学习）作为解决数据关系异构性的有效方法成为了近年来很重要的研究问题，并且已经在网络边预测、网络节点分析、网络可视化、自然语言处理等方面广泛应用。本文论文集包含网络表征学习应用相关论文。"

名称：多智能体强化学习综述（Multi-Agent Reinforcement Learning Survey） 论文集地址：https://www.aminer.cn/topic/60a3894f92c7f9be21cd4619?f=cs 简介：近年来，随着强化学习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，即多智能体强化学习（multi-agent reinforcement learning）。当同时存在多个智能体与环境交互时，整个系统就变成一个多智能体系统。每个智能体仍然是遵循着强化学习的目标，也就是是最大化能够获得的累积回报，而此时环境全局状态的改变就和所有智能体的联合动作相关了。因此在智能体策略学习的过程中，需要考虑联合动作的影响。本论文集包含多智能体强化学习综述论文。"

名称：对抗网络模型（Generative Adversarial Networks Models） 论文集地址：https://www.aminer.cn/topic/60a461ce92c7f9be21c5e489?f=cs 简介：生成对抗网络（英语：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。本论文集包含生成对抗网络模型论文。"

名称：多智能体强化学习模型（Multi-Agent Reinforcement Learning Model） 论文集地址：https://www.aminer.cn/topic/60a461d292c7f9be21c5f4ec?f=cs 简介：近年来，随着强化学习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，即多智能体强化学习（multi-agent reinforcement learning）。当同时