NeurIPS 2020系列论文分享活动回顾

2020 年 12 月 9 日 AI科技评论

一年一度的机器学习顶会NeurIPS 2020会议正在火热进行中(12月6日-12日),今年由于疫情影响,大会转由纯线上进行。遥想一年前参会人数超过13000人、参会领取入场卡的人群从一楼排队到二流还绕个圈的盛况,真的是感慨万千。
从大家对纯线上会议的评价来看也是褒贬不一,有人觉得会议变冷清了,没有了浓厚的学术交(lv)流(you)氛围;有人觉得面对电脑看大会,总有一种亲(wang)切(ke)的感觉;还有人觉得很方便,这下可以(bai)省(piao)钱参加大会了。大会主办方也很(cao)善(sui)解(le)人(xin)意,特意重做了一个页面清新的网页、议程时间尽可能照顾到大部分人的习惯、新增了一次两天时长的COVID-19研讨会等等,甚至还有场景体验小游戏,可谓十分用心了。

其实,小编觉得在网络设备越来越好、线上讨论越来越流行的今天,不论是一个人安静在家或者约上同学一起观看会议直播,也不失为一个不错的选择,还能和世界各地志同道合的朋友一起沟通交流,促进学术成长,一举多得。

为了帮助大家了解NeurIPS最新研究成果和动态,赶在大会开幕前,AI研习社特意组织了三场NeurIPS 2020收录的论文作者线上分享活动。在AI研习社和Bilibili平台上同步直播,场均直播人气均超过2000人,期间不断有同学向嘉宾提问互动,直播间内满是学术讨论的气氛。

下面我们来简单回顾一下嘉宾们的精彩分享:

第一场:12月1日(周二)20:00-21:00

清华-伯克利深圳研究生院李乃琦博士和清华大学深圳国际研究生院李文杰博士一起为大家分享了他们的工作,主题为《深度图高斯过程》

     

首先是李乃琦博士详细介绍了这个工作具体想解决什么样的问题,接着介绍了一些背景知识和已有的一些相关工作,并分享了他们把深度高斯过程应用到图结构的数据的主要算法,还进行了实验结果展示。最后,两位博士一起在直播间内为提问的观众进行了解答。

第二场:2020年12月3日(周四)20:00-21:00

北京大学信息科学技术学院唐业辉博士为大家进行了题为《神经网络小型化: 基于科学控制法的网络剪枝》的分享。

     

唐业辉博士首先介绍了神经网络压缩的背景,然后详细介绍了他在NeurIPS 2020上发表的文章,接着唐博给大家进行了一些扩展分享,比如在一个特定场景下,当我们无法获得足够训练样本的时候,如何进行剪枝?最后,唐博还给大家推荐了一些神经网络压缩相关的资源和工作。

第三场:2020年12月5日(周六)11:00-12:00

加州大学伯克利分校顾方达博士,在遥远的大洋彼岸为大家分享了他的论文工作《基于隐模型的图神经网络设计》

     

顾博首先介绍了图神经网络的背景,接着为大家详细解读了他发表的工作-基于隐模型的图神经网络设计,以及工作相关的一些Well posedness condition和如何在这种条件下去训练IGNN等。最后顾博用其他模型和IGNN进行了对比,用比较直观的方式向大家展示了这个工作的优势。

每场嘉宾分享完后,同学们都在AI研习社和B站直播间提出了很多问题,嘉宾们也都一一进行了解答,欢迎大家来AI研习社【直播】版块观看回放。

AI研习社直播版块地址:https://live.yanxishe.com/?navVer=4

              

本次活动是由AI研习社组织发起,为了帮助大家更好地接触到神经网络相关的最新学术动态,促成相关领域内学者之间的交流互动,特别邀请到NeurIPS 2020论文作者前来分享。后续类似的活动我们也会尽量多组织一些,欢迎大家常来AI研习社社区“逛逛”,和志同道合的小伙伴一起学习,一起交流,一起成长!


添加小助手微信,回复【NIPS】,进入NeurIPS学习交流群~ 



 

点击“阅读原文”,进入AI研习社【直播】版块,观看更多精彩视频。

登录查看更多
1

相关内容

AAAI 2021论文接收列表放出! 1692篇论文都在这儿了!
专知会员服务
72+阅读 · 2021年1月3日
【NeurIPS 2020 Tutorial】离线强化学习:从算法到挑战,80页ppt
专知会员服务
41+阅读 · 2020年12月1日
【NeurIPS 2020】图神经网络GNN架构设计
专知会员服务
82+阅读 · 2020年11月19日
近期必读的六篇 NeurIPS 2020【因果推理】相关论文和代码
专知会员服务
71+阅读 · 2020年10月31日
【ST2020硬核课】深度神经网络,57页ppt
专知会员服务
45+阅读 · 2020年8月19日
ICML 2019必看!87页超强干货博士笔记总结
新智元
35+阅读 · 2019年6月17日
极市分享|王晋东 迁移学习中的领域自适应方法
极市平台
10+阅读 · 2017年12月11日
【回顾】迁移学习的发展和现状
AI研习社
8+阅读 · 2017年11月17日
【回顾】PyTorch 简介
AI研习社
8+阅读 · 2017年10月29日
A Sketch-Based System for Semantic Parsing
Arxiv
4+阅读 · 2019年9月12日
Arxiv
6+阅读 · 2019年3月19日
A Comprehensive Survey on Graph Neural Networks
Arxiv
13+阅读 · 2019年3月10日
Deep Graph Infomax
Arxiv
17+阅读 · 2018年12月21日
Arxiv
3+阅读 · 2018年10月25日
Arxiv
6+阅读 · 2018年10月3日
Arxiv
6+阅读 · 2018年3月25日
VIP会员
相关论文
A Sketch-Based System for Semantic Parsing
Arxiv
4+阅读 · 2019年9月12日
Arxiv
6+阅读 · 2019年3月19日
A Comprehensive Survey on Graph Neural Networks
Arxiv
13+阅读 · 2019年3月10日
Deep Graph Infomax
Arxiv
17+阅读 · 2018年12月21日
Arxiv
3+阅读 · 2018年10月25日
Arxiv
6+阅读 · 2018年10月3日
Arxiv
6+阅读 · 2018年3月25日
Top
微信扫码咨询专知VIP会员