图对抗防御研究进展（发表自计算机科学与探索）
图神经网络（GNN）在多个领域的复杂任务中已经得到成功的应用，但研究表明其易受到对抗攻击而导致性能严重下降，这种脆弱性影响了包含节点分类、链路预测和社团探测在内的所有应用。
细节决定成败：推荐系统实验反思与讨论
近些年来，随着互联网的迅速发展，用户在各种在线平台上接收到海量的信息，信息爆炸成为一个关键性问题。在此背景下，推荐系统逐步渗透到人们工作生活的各个场景，已成为不可或缺的一环。它不仅可以帮助用户快速获得想要的信息和服务，还可以提高资源利用效率，从而给企业带来更多效益。
中国地大等《深度生成模型的对抗性攻击》综述全面阐述
深度生成模型因其为各种应用生成数据的能力而备受关注，这些应用包括医疗保健、金融技术、监控等，其中最受欢迎的模型是生成对抗网络和变分自动编码器。然而，与所有机器学习模型一样，人们一直担心安全漏洞和隐私泄露，深度生成模型也不例外。
深度学习人脸特征点自动定位综述
人脸特征点定位是根据输入的人脸数据自动定位出预先按人脸生理特征定义的眼角、鼻尖、嘴角和脸部轮廓等面部关键特征点，在人脸识别和分析等系统中起着至关重要的作用。本文对基于深度学习的人脸特征点自动定位进行综述，阐释了人脸特征点自动定位的含义，归纳了目前常用的人脸公开数据集，系统阐述了针对2维和3维数据特征点的自动定位方法，总结了各方法的研究现状及其应用，分析了当前人脸特征点自动定位技术在深度学习应用中的现状、存在问题及发展趋势。
莫纳什大学最新「医学视觉问答」综述论文
医学视觉问答(VQA)是医学人工智能和流行的VQA挑战的结合。用自然语言给出医学图像和临床相关问题，期望医学VQA系统能够给出一个可信的、令人信服的答案。虽然一般领域的VQA已经得到了广泛的研究，但医学VQA由于其任务特点，还需要具体的研究和探索。
多模态学习综述及最新方向
人类通过多种感觉器官接触世界，例如眼睛、耳朵、触觉。多模态机器学习(Multimodal Machine Learning)研究包含不同模态数据的机器学习问题。常见的模态包括：视觉、文字、声音。
微软、UIUC韩家炜组联合出品：少样本NER最新综述
当前的机器学习和深度学习模型都需要大量的标注数据来进行训练，以达到一个较好的效果。但是在带 label 的训练样本很少或很难获取的情况下，直接训练模型通常不会有很好的泛化能力，反而容易造成模型对样本过拟合以及对目标任务欠拟合。
检索式聊天机器人技术综述
随着自然语言处理技术的飞速发展以及互联网上对话语料的不断积累,闲聊导向对话系统(简称聊天机器人)取得了令人瞩目的进展,受到了学术界的广泛关注,并在产业界进行了初步的尝试。
Deakin最新《联邦学习智慧医疗》综述
通信技术和医疗物联网的最新进展改变了由人工智能(AI)实现的智能医疗。传统上，人工智能技术需要集中的数据收集和处理，但由于现代医疗网络的高度可扩展性和日益增长的数据隐私问题，这在现实的医疗场景中可能不可行。联邦学习(FL)是一种新兴的分布式协同人工智能范式，通过协调多个客户(如医院)在不共享原始数据的情况下进行人工智能训练，对智能医疗保健特别有吸引力。
面向大数据处理框架的JVM优化技术综述
当前，以Hadoop、Spark为代表的大数据处理框架，已经在学术界和工业界被广泛应用于大规模数据的处理和分析.这些大数据处理框架采用分布式架构，使用Java、Scala等面向对象语言编写，在集群节点上以Java虚拟机（JVM）为运行时环境执行计算任务，因此依赖JVM的自动内存管理机制来分配和回收数据对象.
对话推荐算法研究综述（发表自软件学报）
推荐系统是一种通过理解用户的兴趣和偏好帮助用户过滤大量无效信息并获取感兴趣的信息或者物品的信息过滤系统.目前主流的推荐系统主要基于离线的、历史的用户数据，不断训练和优化线下模型，继而为在线的用户推荐物品，这类训练方式主要存在三个问题：基于稀疏且具有噪声的历史数据估计用户偏好的不可靠估计、对影响用户行为的在线上下文环境因素的忽略和默认用户清楚自身偏好的不可靠假设.
面向行人重识别的局部特征研究进展、挑战与展望
行人重识别(Person re-identification, Re-ID)旨在跨区域、跨场景的视频中实现行人的检索及跟踪, 其成果在智能监控、刑事侦查、反恐防暴等领域具有广阔的应用前景. 由于真实场景下的行人图像存在光照差异大、拍摄视角不统一、物体遮挡等问题, 导致从图像整体提取的全局特征易受无关因素的干扰, 识别精度不高.
UCL& UC Berkeley最新《深度强化学习泛化性》综述
强化学习的泛化性一直是个被人诟病的问题。最近来自UCL& UC Berkeley的研究人员对《深度强化学习》做综述，阐述了当前深度学习强化学习的泛化性工作，进行了分类和讨论。
知识驱动的推荐系统：现状与展望
个性化推荐系统能够根据用户的个性化偏好和需要，自动、快速、精准地为用户提供其所需的互联网资源，已成为当今大数据时代应用最广泛的信息检索系统，具有巨大的商业应用价值。近年来，随着互联网海量数据的激增，人工智能技术的快速发展与普及，以知识图谱为代表的大数据知识工程日益受到学界和业界的高度关注，也有力地推动推荐系统和个性化推荐技术也迈入到知识驱动与赋能的发展阶段。
清华&南开最新「视觉注意力机制Attention」综述论文
注意力机制是深度学习方法的一个重要主题。清华大学计算机图形学团队和南开大学程明明教授团队、卡迪夫大学Ralph R. Martin教授合作，在ArXiv上发布关于计算机视觉中的注意力机制的综述文章[1]。该综述系统地介绍了注意力机制在计算机视觉领域中相关工作，并创建了一个仓库.
混合增强视觉认知架构及其关键技术进展
智能视觉系统虽然在大规模信息的特征检测、提取与匹配等处理上具备一定优势，但是在深层次认知上仍存在不确定性和脆弱性，尤其是针对视觉感知基础上的视觉认知任务，相关数理逻辑和图像处理方法并未实现质的突破，智能算法难以取代人类执行较为复杂的理解、推理、决策和学习等操作。
人脸合成技术综述（发表自计算机科学与探索）
人脸合成由于其应用与技术价值，是机器视觉领域的热点之一，而近年来深度学习的突破性进展使该领域吸引了更多关注。将该领域的研究分为四个子类：人脸身份合成、人脸动作合成、人脸属性合成与人脸生成，并系统地总结了这些子类的发展历程、现状，以及现有技术存在的问题。首先针对人脸身份合成，从图形学、数字图像处理与深度学习三个角度总结了各自的合成流程，对关键技术原理进行了详细的解释与分析。
可视化与人工智能交叉研究综述
随着人工智能技术的突破性进展, 人工智能与可视化的交叉研究成为当前的研究热点之一, 为人工智能和大数据分析领域的若干核心难题提供了启发式的理论、方法和技术. 一方面, 人工智能技术的创新应用提升了可视化的分析效率, 拓展了分析功能, 为大数据可视分析提供了强有力的工具. 另一方面, 可视化技术增强了以深度学习为代表的人工智能的可解释性和交互性, 为可解释人工智能提供了可靠的技术基础.
新加坡国立大学最新「大规模深度学习优化」综述论文
深度学习在人工智能的广泛应用中取得了可喜的成果。更大的数据集和模型总是产生更好的性能。然而，我们通常花更长的训练时间在更多的计算和通信上。
面向任务型的对话系统研究进展
基于人工智能技术的人机对话系统在人机交互、智能助手、智能客服、问答咨询等多个领域应用日益广泛,这极大地促进了自然语言理解及生成、对话状态追踪和端到端的深度学习模型构建等相关理论与技术的发展,并成为目前工业界与学术界共同关注的研究热点之一。
深度学习驱动的知识追踪研究进展综述
随着教育信息化程度的不断加深，以预测学生知识状态为目标的知识追踪正成为个性化教育中一项重要且富有挑战性的任务。知识追踪作为一项教育数据挖掘的时间序列任务，与深度学习模型强大的特征提取和建模能力相结合，在处理顺序任务时具有得天独厚的优势。为此，简要分析传统知识追踪模型的特点及局限性，以深度知识追踪发展历程为主线，总结基于循环神经网络、记忆增强神经网络、图神经网络的知识追踪模型及其改进模型，并对该领域的已有模型按照方法策略归类整理。
FPGA加速深度学习综述
近年来，由于互联网的高速发展和大数据时代的来临，人工智能随之大热，而推动人工智能迅猛发展的正是深度学习的崛起。大数据时代需要迫切解决的问题是如何将极为复杂繁多的数据进行有效的分析使用，进而充分挖掘利用数据的价值并造福人类。
知识图谱嵌入技术研究综述
知识图谱（KG）是一种用图模型来描述知识和建模事物之间关联关系的技术.知识图谱嵌入（KGE）作为一种被广泛采用的知识表示方法，其主要思想是将知识图谱中的实体和关系嵌入到连续的向量空间中，用来简化操作，同时保留KG的固有结构.
AI+时尚：人工智能在时尚&服装行业的应用综述
这种结构化的基于任务的多标签时尚研究文章分类为研究人员提供了明确的研究方向，方便了他们访问相关研究，同时提高了研究的可视性。对于每项任务，都会提供一个时间图表，以分析历年的进度。此外，我们还提供了86个公共fashion数据集的列表，以及建议的应用程序列表和每个应用程序的附加信息。
面向知识图谱的图嵌入学习研究进展
知识图谱是一种用网络结构存储知识的知识库，在知识图谱中，单条知识被表示成三元组的形式，即（头实体，关系，尾实体）.得力于知识图谱在各个领域的广泛应用，面向知识图谱的图嵌入学习也得到越来越多研究人员的关注.
高级地图匹配算法研究现状和趋势
地图匹配是许多位置服务与轨迹挖掘应用的基础.随着定位技术和位置服务应用的发展，地图匹配研究不断演进，从早期基于高采样率GPS(Global Position System)的实时匹配，到近期基于低采样率GPS轨迹的离线匹配、再到当前非GPS定位数据或高精度地图匹配。
蒙特利尔最新《自监督少样本目标检测》
标记数据通常是昂贵和耗时的，特别是对于目标检测和实例分割等任务，这需要密集的图像标记。虽然少样本目标检测是关于用很少的数据在新的(看不见的)目标类上训练模型，但它仍然需要在许多标记的基类(见)的示例上进行预训练。另一方面，自监督方法旨在从未标记的数据中学习表示，这些数据可以很好地转移到下游任务，如目标检测。将少样本和自监督目标检测相结合是一个很有前景的研究方向。
网络社团发现新综述：从统计建模到深度学习
大量研究显示，复杂网络普遍具有一些显著的统计特性，比如小世界效应、无标度分布、网络弹性等。尤其是，Girvan 和 Newman 发现了复杂网络的另一个重要统计特性——社团结构，即网络通常会由一些稠密相连的结点簇组成。自此，学术界掀起了对复杂网络社团结构的研究热潮。
编码计算研究综述（发表于《计算机研究与发展》）
编码计算将编码理论融于分布式计算中，利用灵活多样的编码方式降低数据洗牌造成的高通信负载，缓解掉队节点导致的计算延迟，有效提升分布式计算系统的整体性能，并通过纠错机制和数据掩藏等技术为分布式计算系统提供安全保障.鉴于其在通信、存储和计算复杂度等方面的优势，受到学术界的广泛关注。
快速卷积算法的综述研究
卷积神经网络是深度学习算法应用最广泛的方向之一，目前卷积神经网络的应用不仅仅是停留在科技领域，已经扩展到医学、军事等领域，并且已在相关领域发挥着巨大的作用。卷积是卷积神经网络中最为核心的一部分，卷积运算占整个网络70%以上的时间，所以针对卷积运算的加速研究就显得十分重要。
深度神经网络自监督视觉特征学习综述
为了在计算机视觉应用中学习得到更好的图像和视频特征，通常需要大规模的标记数据来训练深度神经网络。为了避免收集和标注大量的数据所需的巨大开销，作为无监督学习方法的一个子方法——自监督学习方法，可以在不使用任何人类标注的标签的情况下，从大规模无标记数据中学习图像和视频的一般性特征。
轻量化神经网络卷积设计研究进展
传统神经网络具有过度依赖硬件资源和对应用设备性能要求较高的缺点，因此无法部署于算力有限的边缘设备和移动终端上，人工智能技术的应用发展在一定程度上受到了限制。然而，随着科技时代的到来，受用户需求影响的人工智能迫切需要在便携式设备上能成功进行如计算机视觉应用等方面的操作。
卷积神经网络压缩中的知识蒸馏技术综述
近年来，卷积神经网络（CNN）凭借强大的特征提取和表达能力，在图像分析领域的诸多应用中取得了令人瞩目的成就。但是，CNN性能的不断提升几乎完全得益于网络模型的越来越深和越来越大，在这个情况下，部署完整的CNN往往需要巨大的内存开销和高性能的计算单元（如GPU）支撑，而在计算资源受限的嵌入式设备以及高实时要求的移动终端上，CNN的广泛应用存在局限性。
安全多方计算及其在机器学习中的应用
随着人工智能、大数据等技术的发展，数据采集、数据分析等应用日渐普及，隐私泄露问题越来越严重.数据保护技术的缺乏限制了企业之间数据的互通，导致形成“数据孤岛”.
基于表格数据的深度学习方法
近日，来自蒂宾根大学等机构的研究者进行了一项表格数据 SOTA 深度学习方法的调查研究。该研究首先将这些方法分为三组：数据转换、专用架构和正则化模型，然后全面概述了每个组中的主要方法。
亚马逊最新《知识增强预训练语言模型》
预训练语言模型(Pretrained Language Models, PLM)通过在大规模文本语料库上学习信息语境化表示，建立了一种新的范式。这种新的范式已经彻底改变了整个自然语言处理领域，并为各种NLP任务设置了新的最先进的性能。然而，尽管PLM可以从训练语料库中存储一定的知识/事实，但它们的知识意识还远远不能令人满意。
细粒度图像分类的深度学习方法
细粒度图像分类旨在从某一类别的图像中区分出其子类别，通常细粒度数据集具有类间相似和类内差异大的特点，这使得细粒度图像分类任务更加具有挑战性。随着深度学习的不断发展，基于深度学习的细粒度图像分类方法表现出更强大的特征表征能力和泛化能力，能够获得更准确、稳定的分类结果，因此受到了越来越多研究人员的关注和研究。
生物医学领域的预训练语言模型：系统综述
预训练语言模型已经成为大多数自然语言处理任务的事实范式。这也有利于生物医学领域：来自信息学、医学和计算机科学界的研究人员提出了各种在生物医学数据集上训练的预训练模型，如生物医学文本、电子健康记录、蛋白质和DNA序列，用于各种生物医学任务。
区块链在供应链管理中的应用综述
供应链管理面临诸多挑战：保证产品信息的完整性、真实性和透明度；上下游企业之间的信任管理；企业交互过程中的隐私保护等等。而伴随区块链技术的问世，其为供应链的诸多挑战提供了完美的解决方案，但是依旧存在一些挑战。
清华发布《国际科技创新中心指数2021》
近日，清华大学产业发展与环境治理研究中心联合自然科研（Nature Research），在2021中关村论坛全体大会上面向全球隆重发布国际科技创新中心指数2021（Global Innovation Hubs Index， GIHI）。报告通过科学中心、创新高地、创新生态等三大维度32个指标，对全球50个城市（都市圈）的创新能力进行测度。
RSS订阅
3
1714
