聚焦NeurIPS2020 | Springer 前沿研究限时开放

2020 年 12 月 9 日 学术头条

NeurIPS（Neural Information Processing Systems annual meeting，神经信息处理系统年会）于1986 年在由加州理工学院和贝尔实验室组织的 Snowbird 神经网络计算年度闭门论坛上首次提出，旨在促进神经信息处理系统有关的生物学，技术，数学和理论各方面研究的交流。近年来的 NeurIPS 以机器学习、人工智能和统计学方面的论文为主，是公认的机器学习领域的顶级会议。同时，NeurIPS 的研究主题还涵盖了计算神经科学、认知科学、心理学、计算机视觉、统计语言学和信息理论等领域。

第三十四届神经信息处理系统大会（Conference on Neural Information Processing Systems，简称NeurIPS）于2020年12月6日至2020年12月12日在线上举行，作为人工智能和机器学习领域的国际顶级会议，NeurIPS旨在促进有关神经信息处理系统的研究交流，在同行会议上介绍和讨论新颖的研究。

针对 NeurIPS 会议相关主题，Springer 特别推出了 神经信息处理系统专辑 。该专辑包含了最新出版的精选图书以及部分优质期刊文章。例如下载量已经超过20万次的OA图书 Representation Learning for Natural Language Processing，来自著名人工智能专家杨强教授团队的前沿新书 Federated Learning，以及发表在 International Journal of Computer Vision, Neural Computing & Applications, Machine Learning 等期刊中的文章。

扫码进入专题页面，获取更多精彩内容

部分精选图书推荐

Accelerated Optimization for Machine Learning

By Lin, Zhouchen; Li, Huan; Fang, Cong

扫码阅读限时开放章节 Accelerated Algorithms for Nonconvex Optimization

扫码阅读开放章节

本书全面概述了机器学习中一阶加速优化算法的最新进展。书中讨论了针对不同情形的各种方法，包括确定性和随机性的算法、同步和异步的算法、适用约束的问题和无约束的问题、凸问题和非凸问题。本书从概念、理论、证明各方面做了系统阐述，致力于提供自成体系的介绍。本书可作为对机器学习和优化感兴趣的科研人员、学生或工程师的阅读材料和参考书。

Linear Algebra and Optimization for Machine Learning

By Charu Aggarwal

扫码阅读限时开放章节 Accelerated Algorithms for Nonconvex Optimization

扫码阅读开放章节

本书介绍了机器学习中的线性代数和优化算法，提供了示例和练习，每章末尾都有练习题解决方案手册可供教学讲师使用。该书针对计算机科学，数学和数据科学领域的研究生和教授，高年级的本科生也可以使用此教科书。初学者在机器学习中经常面临的挑战是线性代数和优化需要广泛的背景知识，因此，通常需要完成比学习机器学习所需更多的课程材料，此外，与其他以应用为中心的设置相比，来自线性代数和优化算法的某些类型的思想和技巧在机器学习中更经常出现，因此，开发更适合于机器学习特定角度的线性代数和优化算法具有重要的价值。

A Matrix Algebra Approach to Artificial Intelligence

By Zhang, Xian-Da

扫码阅读限时开放章节 Machine Learning

扫码阅读开放章节

矩阵代数在许多人工智能的核心领域发挥着重要作用，包括机器学习，神经网络，支持向量机和进化计算。本书为这四个领域中的矩阵代数理论和方法提供了全面深入的介绍，同时也从理论矩阵代数的角度对当前大热的人工智能研究做了解读。书中的内容主要包含两部分：第一部分详细介绍了矩阵代数的基础知识；第二部分聚焦矩阵代数方法在人工智能领域的应用。其中，矩阵代数在图计算，网络计算，卷积神经网络和Pareto优化理论中的应用是书中的重点内容。本书是第一本系统阐述矩阵代数方法在人工智能中应用的专著，书中介绍了机器学习树，神经网路树和进化计算树。

Deep Reinforcement Learning: Fundamentals, Research and Applications

Editors: Dong, Hao; Ding, Zihan; Zhang, Shanghang

扫码阅读限时开放章节 Introduction to Reinforcement Learning

扫码阅读开放章节

本书分为三大部分，覆盖了学习深度强化学习所需的所有内容。第一部分介绍了强化学习的基础知识、常用的深度强化学习算法及其实现方法。第二部分对精选的深度强化学习研究方向展开介绍，这对希望开展相关研究的读者非常有意义。为了帮助读者更加深入地理解深度强化学习细节并把相关技术应用到实际中，本书第三部分仔细地讲述了大量应用的实现细节，例如机器人学习跑步、机械臂控制、下围棋、多智能体平台等等，并提供相关的开源代码。

Representation Learning for Natural Language Processing

By Liu, Zhiyuan; Lin, Yankai; Sun, Maosong

扫码阅读高下载量OA图书

扫码进入图书主页

本书全面介绍了自然语言处理表示学习技术的理论、方法和应用，内容包括三大部分：第一部分介绍了单词、短语、句子和文档等不同粒度语言单元的表示学习技术；第二部分介绍了与自然语言密切相关的世界知识、语言知识、复杂网络和跨模态数据的表示学习技术；第三部分整理了相关开放资源与工具，并探讨了面向自然语言处理的表示学习技术面临的重要挑战和未来研究方向。本书对于自然语言处理和人工智能基础研究具有一定的参考意义，既适合专业人士了解自然语言处理和表示学习的前沿热点，也适合机器学习、信息检索、数据挖掘、社会网络分析、语义 Web 等其他相关领域学者和学生作为参考读物。

Learning to Play: Reinforcement Learning and Games

By Aske Plaat

扫码阅读限时开放章节 Introduction

扫码阅读开放章节

在本教科书中，作者以最近在玩游戏方面的突破为灵感来解释深度强化学习是如何作用的。该书首先介绍了智能和游戏的核心概念、环境、和社区，随后将主要内容分为以下几个章节：强化学习、启发式规划、自适应抽样、函数逼近和自我游戏。作者全程采用动手操作的方式，通过 Python 代码示例和练习帮助读者理解 AI 是如何学习玩游戏的。他还提供了包含在线机器学习框架详细指针和 AlphaGo 技术细节的主要文本、如何下围棋、国际象棋，以及对其编程的笔记和一个全面的参考文献列表。

Dual Learning

By Qin, Tao

扫码阅读限时开放章节 Dual Learning for Image Translation and Beyond

扫码阅读开放章节

本书是第一本关于对偶学习的较为系统和全面的专著。全书分为五个部分：第一部分简要介绍了机器学习和深度学习的基本概念。第二部分介绍了对偶重构原理及其在机器翻译、图像翻译、语音处理以及其他自然语言处理计算机视觉中的应用。第三部分介绍了基于概率的对偶学习原理，包括基于联合概率公式的对偶监督学习和对偶推理，以及基于边际概率公式的对偶半监督学习。第四部分回顾了对偶学习的各种理论研究，并讨论了它与其他学习范式的联系和区别。第五部分系统性总结当前研究工作，并展望了未来的研究方向。

Federated Learning

Editors: Yang, Qiang; Fan, Lixin; Yu, Han

扫码阅读限时开放章节 Threats to Federated Learning

扫码阅读开放章节

自欧盟最近引入新法案《通用数据保护条例》（GDPR）以后，联邦学习受到了越来越多的关注。因为联邦学习可以在双方不公开各自隐私数据的情况下，实现机器模型的协同训练。本书包含三个部分：第一部分介绍了用于保护联邦学习模型免受不同类型攻击（如数据泄露、数据中毒）的不同隐私保护方法。第二部分提出了激励机制，旨在鼓励个人参与联邦学习生态系统。第三部分描述了联邦学习是如何在工业和商业中应用，以解决数据竖井和隐私保护问题的。

限时开放文章

Sustainable Earth
Locality Preserving Matching
ARDIS: a Swedish historical handwritten digit dataset
Image Inpainting: A Review
You cannot have AI ethics without ethics
A survey on semi-supervised learning
Deep learning for time series classification: a review
Deep Learning for Generic Object Detection: A Survey
Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization
Exploiting causality in gene network reconstruction based on graph embedding
Dynamic nested sampling: an improved algorithm for parameter estimation and evidence calculation