2020年，一不留神，已經過去了三分之一。慶幸的是五一馬上就到了。
回顧過去短短的幾個月，疫情導致一系列的會議或取消，或延期，或線上。大家宅在家中，難以與同領域志同道合者進行交流。AI 科技評論秉著「促進學術交流」的原初想法，在四月份先後舉辦了 18 場頂會論文直播活動。
現在，我們把所有回放和公開PPT信息彙總在這裡，供大家方便自取。
ICLR 2020
直播主題：ICLR 2020丨基於價值的規劃和強化學習的封裝架構
主講人：楊宇喆
直播時間：4月7日
回放鏈接：http://www.mooc.ai/open/course/791
內容介紹：
基於價值的方法構成了計劃和深度強化學習（RL）的基本方法。在本論文中，我們提出在控制和深度強化學習的任務中研究值函數（即Q函數）的基礎結構。如果潛在的系統特性能夠導致Q函數產生某些全局結構，則應該能夠通過利用這種結構更好地推斷該函數。具體來說，我們研究了大數據矩陣中普遍存在的低秩（low rank）結構。我們在普遍的控制和深度強化學習任務上驗證了低秩Q函數的存在。作為我們的主要貢獻，通過利用矩陣估計（ME）技術，我們提出了一個通用框架來利用Q函數中本質的低秩結構。這不僅使得經典控制的任務效率更高，此外，我們提出的方案應用於基於值函數的強化學習方法，能夠在“低秩”任務上始終獲得更好的性能。大量的關於控制任務和強化學習任務的實驗證實了我們方法的有效性。
直播主題：ICLR 2020丨使用格網細胞，對空間特徵分佈進行多尺度表達學習
主講人：買庚辰
直播時間：4月13日
回放鏈接：http://www.mooc.ai/open/course/798
內容介紹：
目前，非監督語言編碼模型加大的推進了自然語言處理技術的發展，他的核心理念就是根據詞語在文章中的位置以及上下文關係使用神經網絡把詞語轉化為向量空間表達，這個結果非常適合與多種下游的任務。
在空間分析領域，我們看到了非常相似的情況，GIS學者注重於把地理對象（例如POI）的絕對位置信息和周邊環境信息加入模型當中，這意味著一個廣義的（地理）空間表達模型會對眾多任務都有幫助。然而，除了簡單的對空間進行分割或者直接把座標輸入前饋神經網絡（FFN）的做法，目前不存在這樣的廣義空間表達模型，不僅如此也很少有學者研究如何同時對不同特徵的空間分佈進行總體建模，而這一情況經常在GIS數據中出現。
於此同時，我們注意到近期贏得諾貝爾獎的神經科學研究發現，哺乳動物的格網細胞（grid cell）提供了一種多尺度週期性的表達，這種表達作為哺乳動物大腦中位置編碼的一種指標對於它們認路和整合路經信息十分重要。
基於這些發現，本文提出一種叫做Space2Vec的表達學習模型，他可以對地理對象的絕對空間位置和相對空間關係進行編碼。
直播主題：ICLR 2020丨分段線性激活函數塑造了神經網絡損失曲面
主講人：何鳳翔
直播時間：4月24日
回放鏈接：http://mooc.yanxishe.com/open/course/801
內容介紹：
神經網絡損失曲面幾何結構極其複雜，但可能是深度學習理論的基礎。講者將分享最新的研究成果，分析分段線性激活函數如何塑造神經網絡損失曲面。
直播主題：ICLR 2020丨動作語義網絡：考慮多智能體系統中動作的影響
主講人：王維壎
直播時間：4月23日
回放鏈接：http://mooc.yanxishe.com/open/course/793
內容介紹：
從Alpha Go起，深度強化學習引起了學術界與業界的廣泛關注。多智能體深度強化學習(MADRL）因其在現實世界中廣泛的潛在應用，近期成為了學界熱點。本次分享以介紹我們ICLR論文Action Semantics Network：Considering the Effects of Actions in Multiagent Systems 為主，同時會涉及多智能體系統的基本知識與當前學界進展。
直播主題：ICLR 2020丨通過負採樣從專家數據中學習自我糾正的策略和價值函數
主講人：羅雨屏
直播時間：4月24日
回放鏈接：http://mooc.yanxishe.com/open/course/802
內容介紹：
模仿學習(imitation learning）初始化後再強化學習是一個能節約樣本的解決複雜的控制任務的方法。然而從樣例數據中學習會有一個嚴重的問題：協變量偏差，這會讓學到的策略有複合誤差。我們引入了保守推斷價值函數這個概念，能保證得到一個自糾正的策略。我們設計了一個算法：負採樣價值迭代，能夠有效學出這樣能保守推斷的價值函數。負採樣價值迭代能夠在機器人模擬環境中糾正行為克隆策略的錯誤。我們還提出了一個算法，用負採樣價值迭代來初始化強化學習，該算法對比之前的算法，樣本效率有了明顯的提升。
直播主題：ICLR 2020丨從梯度信噪比來理解深度學習泛化性能為什麼這麼好
主講人：劉錦龍
直播時間：4月30日
回放鏈接：http://mooc.yanxishe.com/open/course/803
內容介紹：
泛化性能問題是深度學習的一個基礎理論問題，傳統的泛化理論在解釋深度學習的泛化性能上遇到困難。本文中提出一個全新的角度來理解深度學習的泛化性能問題。
CVPR 2020
直播主題：實體機器人導航中可遷移的元技能的無監督強化學習
主講人：李俊成
直播時間：4月9日
回放鏈接：http://www.mooc.ai/open/course/766
內容介紹：視覺導航任務要求智能體能夠智能地導航到指定的目標。當前基於深度強化學習的方法往往需要大量的訓練數據，而構建豐富的3D仿真環境以及提供任務相關標註是十分昂貴的。本文關注於在低資源的設定下完成視覺導航任務。本文通過提出無監督強化學習方法來獲得具有遷移能力的子策略，使得模型能夠快速遷移到視覺導航任務。在AI2-THOR環境中，我們的方法實現了最佳的性能，進一步的實驗分析證明我們的方法學習到了一些具備遷移能力的元技能，從而幫助模型實現更好的泛化。
直播主題：PolarMask: 一階段實例分割新思路
主講人：謝恩澤
直播時間：4月10日
回放鏈接：http://www.mooc.ai/open/course/789
內容介紹：
實例分割是計算機視覺中一個比較基礎但是比較硬的問題，之前的方法高度依賴物體檢測的結果來做實例分割，如MaskR-CNN。實例分割如何擺脫檢測框的束縛仍然是一個沒有被很好解決的問題。本次分享中，將主要介紹我們在這個問題的探索：PolarMask:Single Shot Instance Segmentation with Polar Representation。其中我們提出了一種一階段的實例分割方法，擺脫了檢測框的限制，其次我們的方法並不像傳統分割方法對圖中逐像素分類，而是通過輪廓建模的方式做實例分割。此外，我們還提出了兩種改進手段來持續提高性能。總而言之，這篇文章提出了一種新型的一階段的，基於輪廓出發的實例分割方法。
直播主題：SGAS：一種基於貪心思想的網絡結構搜索算法，同時支持CNN和GCN網絡結構搜索
主講人：李國豪
直播時間：4月22日
回放鏈接：http://mooc.yanxishe.com/open/course/800
內容介紹：
在一般網絡結構搜索的算法裡常常發生搜索階段表現得很好的（超)網絡在最後進行重新訓練評估性能時表現得相當較差的現象，這種情況的發生主要是搜索算法在搜索階段沒法很好地反應模型最終評估階段的真正性能，本工作提出一種順序貪心決策的搜索算法減輕了模型性能排名不一致的問題，同時支持CNN和GCN的網絡結構搜索，並應用到了CNN圖像分類，GCN點雲分類和GCN生物圖數據節點分類上。
直播主題：數據與模型缺陷：不完美場景下的神經網絡訓練方法
主講人：Louis
直播時間：4月28日
回放鏈接：http://mooc.yanxishe.com/open/course/797
內容介紹：
深度學習的成功得益於大量的數據和很深的網絡模型。然而數據和模型往往不會特別理想，比如數據裡存在著很多標籤噪音或者考慮到模型的推理速度，神經網絡的層數不能夠特別深。針對這些情況如何有效的訓練神經網絡是深度學習領域的熱點話題。特別是對於業務場景，數據住往存在很多缺陷，讓模型能夠自適應的從缺陷數據裡學習是業務成功的保障。本次講座將細緻地講解數據和模型缺陷情況下神經網絡的有效訓練方法。相關技術已經在騰訊的眾多業務場景上(行人重識別，內容審核等）落地。
ACL 2020
哈工大系列（2直播+錄播）
（一）多領域端到端任務型對話系統
主講人：覃立波
直播時間：4月16日
回放鏈接：http://mooc.yanxishe.com/open/course/796
內容介紹：
目前端到端任務型對話系統已經取得了一定的成功，但是現有的系統很少關注於多領域場景。在對話數據標註十分困難的情況下，如何有效利用所有領域的數據來提高每一個對話領域（尤其是數據稀少的領域）性能的多領域端到端任務型對話系統是一個值得研究的方向。本次將重點分享我們在ACL2020的工作，一個基於動態聚合網絡的多領域端到端任務型對話系統，該系統不僅取得了目前的SOTA效果，並且在ew-shot場景下取得了12.6%的顯著提升。
（二）小樣本下的槽位提取探索
主講人：侯泰宇
直播時間：4月17日
回放鏈接：http://mooc.yanxishe.com/open/course/795
內容介紹：
深度學習取得的巨大成功往往建立在大量標註數據基礎上。然而現實中，像對話系統這樣的具體應用，需要頻繁面臨領域的切換和需求的變更，這使得我們很難為每一個新的領域和需求收集大量標註數據。相較之下，人類似乎天生就擅長從極少的樣例中學習，這是因為人類的學習是建立在長期豐富的經驗基礎上的。小樣本學習(Few-shot Learning）就是這樣一種希望機器像人一樣，利用過往經驗來用極少量樣本學習新任務技術。過去的研究主要集中在圖像和句子分類上，而序列標註任務卻還缺乏研究。我們工作針對few-shot序列預測任務帶來的建模序列標籤依賴等獨有挑戰，給出了全新的方法，並在1-shot場景上取得了14.02F1score的巨大提升。
（三）生成、刪除和重寫：提高對話生成中人物角色一致性的三階段框架
主講人：宋皓宇
回放鏈接：http://mooc.yanxishe.com/open/course/799
內容介紹：
對話系統角色信息的一致性一直是困擾深度學習對話模型的重要問題之一。因此，基於角色信息(persona)的對話生成任務被提出來。在該任務中，角色信息相關的詞語對於表達準確的含義至關重要，但是在前人的工作中卻沒有給予這些詞語足夠的重視。在這項工作中，我們提出了一個3階段的生成模型來強調關鍵角色信息詞語的重要性。在公開的PersonaChat數據集上，我們的方法在客觀指標和主觀評價上均取得了非常好的效果。
復旦系列（3直播）
（一）不同粒度的抽取式文本摘要系統
主講人：王丹青、鐘鳴
直播時間：4月 25 日
直播鏈接：http://mooc.yanxishe.com/open/course/804
內容介紹：
文本摘要任務涉及到語義理解等核心問題，是自然語言處理的主流任務之一，在信息爆炸時代的應用也愈發廣泛。文本摘要任務主要分為生成式和抽取式，本次將重點分享我們在 ACL 2019 和2020 的三篇抽取式摘要工作。基於去年工作中對句子級摘要系統的分析與結論，我們此次提出一個新穎的基於圖神經網絡建模單詞與句子以及句間關係的模型，並在另一篇工作中提出可以從摘要級的角度來建立匹配模型並解決抽取式摘要任務。
（二）結合詞典的中文命名實體識別
主講人：馬若恬, 李孝男
直播時間：4月 26 日
直播鏈接：http://mooc.yanxishe.com/open/course/805
內容介紹：
命名實體識別（Named Entity Recognition，NER）是自然語言處理中最基礎的任務之一，對很多下游任務來說必不可少。但在中文裡，NER與分詞耦合在了一起，結合詞典的中文命名實體識別能夠有效解決詞級別和字級別中文命名實體識別的問題。本次我們將分享這一領域的相關工作，並介紹我們的工作：1.簡化中文命名實體識別中的詞彙使用 2.使用Flat Lattice Transformer的中文命名實體識別。
（三）基於對抗樣本的依存句法模型魯棒性分析
主講人：曾捷航
直播時間：4月 27 日
直播鏈接：http://mooc.yanxishe.com/open/course/806
內容介紹：對抗樣本問題的存在使得深度學習模型在應用落地上存在大量的潛在風險，對抗樣本已經在計算機視覺領域取得了不少研究成果，包括多種攻擊與防禦方法，最終目的是為了提高深度學習模型的魯棒性。在自然語言處理領域，與對抗樣本相關的研究較少，本次分享從文本對抗樣本問題出發，分析主要做法、存在問題，並將其拓展到依存句法領域。
ICDE 2020
直播主題：ICDE 2020 | 華東師範大學×滴滴：利用軌跡數據自動校準道路交叉口拓撲信息
主講人：劉國平
直播時間：4月29日
回放鏈接：https://mooc.yanxishe.com/open/course/810
內容介紹：
作為數字道路地圖的關鍵部分，道路交叉口是多條相互連接道路的交匯處，其幾何特徵和拓撲屬性的精確性在移動導航和其他位置服務中起著重要作用。另一方面，GPS軌跡序列數據是用戶在實際道路上的觀測，蘊含了實際路網的拓撲信息。基於此，滴滴和華東師範大學數據學院創新性地提出了一種交叉路口三階段校準算法框架-CITT。CITT首先將道路交叉口檢測問題擴展為道路交叉口影響區的拓撲校準問題。與現有的道路交叉口更新方法不同，該方法不僅確定道路交叉口核心區的中心位置和覆蓋範圍，同時挖掘出路口與鄰接路段的轉向路徑，之後與現有路網進行匹配，找出整個影響區內的錯誤或缺失的轉向模式。大量的基於滴滴實際數據和公開數據的對比實驗表明，CITT方法具有很強的穩定性和魯棒性，並且明顯優於現有方法。
添加小助手，備註【會議名稱+姓名】，可入相應會議交流群
