四月，18 场顶会直播全在这里了！

会员服务 ·

四月，18 场顶会直播全在这里了！

2020 年 4 月 30 日 AI科技评论

2020年，一不留神，已经过去了三分之一。庆幸的是五一马上就到了。

回顾过去短短的几个月，疫情导致一系列的会议或取消，或延期，或线上。大家宅在家中，难以与同领域志同道合者进行交流。AI 科技评论秉着「促进学术交流」的原初想法，在四月份先后举办了 18 场顶会论文直播活动。

现在，我们把所有回放和公开PPT信息汇总在这里，供大家方便自取。

ICLR 2020

直播主题：ICLR 2020丨基于价值的规划和强化学习的封装架构

主讲人：杨宇喆

直播时间：4月7日

回放链接： http://www.mooc.ai/open/course/791

内容介绍：

基于价值的方法构成了计划和深度强化学习（RL）的基本方法。在本论文中，我们提出在控制和深度强化学习的任务中研究值函数（即Q函数）的基础结构。如果潜在的系统特性能够导致Q函数产生某些全局结构，则应该能够通过利用这种结构更好地推断该函数。具体来说，我们研究了大数据矩阵中普遍存在的低秩（low rank）结构。我们在普遍的控制和深度强化学习任务上验证了低秩Q函数的存在。作为我们的主要贡献，通过利用矩阵估计（ME）技术，我们提出了一个通用框架来利用Q函数中本质的低秩结构。这不仅使得经典控制的任务效率更高，此外，我们提出的方案应用于基于值函数的强化学习方法，能够在“低秩”任务上始终获得更好的性能。大量的关于控制任务和强化学习任务的实验证实了我们方法的有效性。

直播主题：ICLR 2020丨使用格网细胞，对空间特征分布进行多尺度表达学习

主讲人：买庚辰

直播时间：4月13日

回放链接： http://www.mooc.ai/open/course/798

内容介绍：

目前，非监督语言编码模型加大的推进了自然语言处理技术的发展，他的核心理念就是根据词语在文章中的位置以及上下文关系使用神经网络把词语转化为向量空间表达，这个结果非常适合与多种下游的任务。

在空间分析领域，我们看到了非常相似的情况，GIS学者注重于把地理对象（例如POI）的绝对位置信息和周边环境信息加入模型当中，这意味着一个广义的（地理）空间表达模型会对众多任务都有帮助。然而，除了简单的对空间进行分割或者直接把坐标输入前馈神经网络（FFN）的做法，目前不存在这样的广义空间表达模型，不仅如此也很少有学者研究如何同时对不同特征的空间分布进行总体建模，而这一情况经常在GIS数据中出现。

于此同时，我们注意到近期赢得诺贝尔奖的神经科学研究发现，哺乳动物的格网细胞（grid cell）提供了一种多尺度周期性的表达，这种表达作为哺乳动物大脑中位置编码的一种指标对于它们认路和整合路经信息十分重要。

基于这些发现，本文提出一种叫做Space2Vec的表达学习模型，他可以对地理对象的绝对空间位置和相对空间关系进行编码。

直播主题：ICLR 2020丨分段线性激活函数塑造了神经网络损失曲面

主讲人：何凤翔

直播时间：4月24日

回放链接： http://mooc.yanxishe.com/open/course/801

内容介绍：

神经网络损失曲面几何结构极其复杂，但可能是深度学习理论的基础。讲者将分享最新的研究成果，分析分段线性激活函数如何塑造神经网络损失曲面。

直播主题：ICLR 2020丨动作语义网络：考虑多智能体系统中动作的影响

主讲人：王维埙

直播时间：4月23日

回放链接： http://mooc.yanxishe.com/open/course/793

内容介绍：

从Alpha Go起，深度强化学习引起了学术界与业界的广泛关注。多智能体深度强化学习(MADRL）因其在现实世界中广泛的潜在应用，近期成为了学界热点。本次分享以介绍我们ICLR论文Action Semantics Network：Considering the Effects of Actions in Multiagent Systems 为主，同时会涉及多智能体系统的基本知识与当前学界进展。

直播主题：ICLR 2020丨通过负采样从专家数据中学习自我纠正的策略和价值函数

主讲人：罗雨屏

直播时间：4月24日

回放链接： http://mooc.yanxishe.com/open/course/802

内容介绍：

模仿学习(imitation learning）初始化后再强化学习是一个能节约样本的解决复杂的控制任务的方法。然而从样例数据中学习会有一个严重的问题：协变量偏差，这会让学到的策略有复合误差。我们引入了保守推断价值函数这个概念，能保证得到一个自纠正的策略。我们设计了一个算法：负采样价值迭代，能够有效学出这样能保守推断的价值函数。负采样价值迭代能够在机器人模拟环境中纠正行为克隆策略的错误。我们还提出了一个算法，用负采样价值迭代来初始化强化学习，该算法对比之前的算法，样本效率有了明显的提升。

直播主题：ICLR 2020丨从梯度信噪比来理解深度学习泛化性能为什么这么好

主讲人：刘锦龙

直播时间：4月30日

回放链接： http://mooc.yanxishe.com/open/course/803

内容介绍：

泛化性能问题是深度学习的一个基础理论问题，传统的泛化理论在解释深度学习的泛化性能上遇到困难。本文中提出一个全新的角度来理解深度学习的泛化性能问题。

CVPR 2020

直播主题：实体机器人导航中可迁移的元技能的无监督强化学习

主讲人：李俊成

直播时间：4月9日

回放链接：http://www.mooc.ai/open/course/766

内容介绍：视觉导航任务要求智能体能够智能地导航到指定的目标。当前基于深度强化学习的方法往往需要大量的训练数据，而构建丰富的3D仿真环境以及提供任务相关标注是十分昂贵的。本文关注于在低资源的设定下完成视觉导航任务。本文通过提出无监督强化学习方法来获得具有迁移能力的子策略，使得模型能够快速迁移到视觉导航任务。在AI2-THOR环境中，我们的方法实现了最佳的性能，进一步的实验分析证明我们的方法学习到了一些具备迁移能力的元技能，从而帮助模型实现更好的泛化。

直播主题：PolarMask: 一阶段实例分割新思路

主讲人：谢恩泽

直播时间：4月10日

回放链接： http://www.mooc.ai/open/course/789

内容介绍：

实例分割是计算机视觉中一个比较基础但是比较硬的问题，之前的方法高度依赖物体检测的结果来做实例分割，如MaskR-CNN。实例分割如何摆脱检测框的束缚仍然是一个没有被很好解决的问题。本次分享中，将主要介绍我们在这个问题的探索：PolarMask:Single Shot Instance Segmentation with Polar Representation。其中我们提出了一种一阶段的实例分割方法，摆脱了检测框的限制，其次我们的方法并不像传统分割方法对图中逐像素分类，而是通过轮廓建模的方式做实例分割。此外，我们还提出了两种改进手段来持续提高性能。总而言之，这篇文章提出了一种新型的一阶段的，基于轮廓出发的实例分割方法。

直播主题：SGAS：一种基于贪心思想的网络结构搜索算法，同时支持CNN和GCN网络结构搜索

主讲人：李国豪

直播时间：4月22日

回放链接：http://mooc.yanxishe.com/open/course/800

内容介绍：

在一般网络结构搜索的算法里常常发生搜索阶段表现得很好的（超)网络在最后进行重新训练评估性能时表现得相当较差的现象，这种情况的发生主要是搜索算法在搜索阶段没法很好地反应模型最终评估阶段的真正性能，本工作提出一种顺序贪心决策的搜索算法减轻了模型性能排名不一致的问题，同时支持CNN和GCN的网络结构搜索，并应用到了CNN图像分类，GCN点云分类和GCN生物图数据节点分类上。

直播主题：数据与模型缺陷：不完美场景下的神经网络训练方法

主讲人：Louis

直播时间：4月28日

回放链接：http://mooc.yanxishe.com/open/course/797

内容介绍：

深度学习的成功得益于大量的数据和很深的网络模型。然而数据和模型往往不会特别理想，比如数据里存在着很多标签噪音或者考虑到模型的推理速度，神经网络的层数不能够特别深。针对这些情况如何有效的训练神经网络是深度学习领域的热点话题。特别是对于业务场景，数据住往存在很多缺陷，让模型能够自适应的从缺陷数据里学习是业务成功的保障。本次讲座将细致地讲解数据和模型缺陷情况下神经网络的有效训练方法。相关技术已经在腾讯的众多业务场景上(行人重识别，内容审核等）落地。

ACL 2020

哈工大系列（2直播+录播）

（一）多领域端到端任务型对话系统

主讲人：覃立波

直播时间：4月16日

回放链接： http://mooc.yanxishe.com/open/course/796

内容介绍：

目前端到端任务型对话系统已经取得了一定的成功，但是现有的系统很少关注于多领域场景。在对话数据标注十分困难的情况下，如何有效利用所有领域的数据来提高每一个对话领域（尤其是数据稀少的领域）性能的多领域端到端任务型对话系统是一个值得研究的方向。本次将重点分享我们在ACL2020的工作，一个基于动态聚合网络的多领域端到端任务型对话系统，该系统不仅取得了目前的SOTA效果，并且在ew-shot场景下取得了12.6%的显著提升。

（二）小样本下的槽位提取探索

主讲人：侯泰宇

直播时间：4月17日

回放链接： http://mooc.yanxishe.com/open/course/795

内容介绍：

深度学习取得的巨大成功往往建立在大量标注数据基础上。然而现实中，像对话系统这样的具体应用，需要频繁面临领域的切换和需求的变更，这使得我们很难为每一个新的领域和需求收集大量标注数据。相较之下，人类似乎天生就擅长从极少的样例中学习，这是因为人类的学习是建立在长期丰富的经验基础上的。小样本学习(Few-shot Learning）就是这样一种希望机器像人一样，利用过往经验来用极少量样本学习新任务技术。过去的研究主要集中在图像和句子分类上，而序列标注任务却还缺乏研究。我们工作针对few-shot序列预测任务带来的建模序列标签依赖等独有挑战，给出了全新的方法，并在1-shot场景上取得了14.02F1score的巨大提升。

（三）生成、删除和重写：提高对话生成中人物角色一致性的三阶段框架

主讲人：宋皓宇

回放链接： http://mooc.yanxishe.com/open/course/799

内容介绍：

对话系统角色信息的一致性一直是困扰深度学习对话模型的重要问题之一。因此，基于角色信息(persona)的对话生成任务被提出来。在该任务中，角色信息相关的词语对于表达准确的含义至关重要，但是在前人的工作中却没有给予这些词语足够的重视。在这项工作中，我们提出了一个3阶段的生成模型来强调关键角色信息词语的重要性。在公开的PersonaChat数据集上，我们的方法在客观指标和主观评价上均取得了非常好的效果。

复旦系列（3直播）

（一）不同粒度的抽取式文本摘要系统

主讲人：王丹青、钟鸣

直播时间：4月 25 日

直播链接： http://mooc.yanxishe.com/open/course/804

内容介绍：

文本摘要任务涉及到语义理解等核心问题，是自然语言处理的主流任务之一，在信息爆炸时代的应用也愈发广泛。文本摘要任务主要分为生成式和抽取式，本次将重点分享我们在 ACL 2019 和2020 的三篇抽取式摘要工作。基于去年工作中对句子级摘要系统的分析与结论，我们此次提出一个新颖的基于图神经网络建模单词与句子以及句间关系的模型，并在另一篇工作中提出可以从摘要级的角度来建立匹配模型并解决抽取式摘要任务。

（二）结合词典的中文命名实体识别

主讲人：马若恬, 李孝男

直播时间：4月 26 日

直播链接： http://mooc.yanxishe.com/open/course/805

内容介绍：

命名实体识别（Named Entity Recognition，NER）是自然语言处理中最基础的任务之一，对很多下游任务来说必不可少。但在中文里，NER与分词耦合在了一起，结合词典的中文命名实体识别能够有效解决词级别和字级别中文命名实体识别的问题。本次我们将分享这一领域的相关工作，并介绍我们的工作：1.简化中文命名实体识别中的词汇使用 2.使用Flat Lattice Transformer的中文命名实体识别。

（三）基于对抗样本的依存句法模型鲁棒性分析

主讲人：曾捷航

直播时间：4月 27 日

直播链接： http://mooc.yanxishe.com/open/course/806

内容介绍：对抗样本问题的存在使得深度学习模型在应用落地上存在大量的潜在风险，对抗样本已经在计算机视觉领域取得了不少研究成果，包括多种攻击与防御方法，最终目的是为了提高深度学习模型的鲁棒性。在自然语言处理领域，与对抗样本相关的研究较少，本次分享从文本对抗样本问题出发，分析主要做法、存在问题，并将其拓展到依存句法领域。

ICDE 2020

直播主题：ICDE 2020 | 华东师范大学×滴滴：利用轨迹数据自动校准道路交叉口拓扑信息

主讲人：刘国平

直播时间：4月29日

回放链接： https://mooc.yanxishe.com/open/course/810

内容介绍：

作为数字道路地图的关键部分，道路交叉口是多条相互连接道路的交汇处，其几何特征和拓扑属性的精确性在移动导航和其他位置服务中起着重要作用。另一方面，GPS轨迹序列数据是用户在实际道路上的观测，蕴含了实际路网的拓扑信息。基于此，滴滴和华东师范大学数据学院创新性地提出了一种交叉路口三阶段校准算法框架-CITT。CITT首先将道路交叉口检测问题扩展为道路交叉口影响区的拓扑校准问题。与现有的道路交叉口更新方法不同，该方法不仅确定道路交叉口核心区的中心位置和覆盖范围，同时挖掘出路口与邻接路段的转向路径，之后与现有路网进行匹配，找出整个影响区内的错误或缺失的转向模式。大量的基于滴滴实际数据和公开数据的对比实验表明，CITT方法具有很强的稳定性和鲁棒性，并且明显优于现有方法。