当今世界上部署的大多数机器学习系统都是从人类反馈中学习的。然而,大多数机器学习课程几乎只关注算法,而不是系统的人机交互部分。这可能会给在现实世界机器学习领域工作的数据科学家留下一个巨大的知识鸿沟,在现实世界机器学习领域,数据科学家花在数据管理上的时间多于构建算法的时间。Human-in-the-Loop Machine Learning是优化整个机器学习过程的实用指南,包括注释、主动学习、迁移学习技术,以及使用机器学习来优化过程的每一步。

https://www.manning.com/books/human-in-the-loop-machine-learning

作者:

Robert (Munro) Monarch是一名数据科学家和工程师,曾为苹果、亚马逊、谷歌和IBM等公司开发过机器学习数据。他拥有斯坦福大学的博士学位。

本书组织

本书共分为四个部分:绪论;对主动学习的深入研究;对注释的深入研究;最后一部分,将所有内容与人机界面的设计策略以及三个实现示例结合在一起。

本书的第一部分介绍了创建培训和评估数据的构建模块:注释、主动学习和人机交互概念,帮助人类和机器最有效地结合他们的智能。在第2章结束时,您将构建一个用于标记新闻标题的人在循环机器学习应用程序,完成从注释新数据到重新训练模型,然后使用新模型来帮助决定下一个应该注释哪些数据的循环。

第2部分介绍了主动学习——一组用于对最重要的数据进行抽样以供人类审查的技术。第3章涵盖了理解模型不确定性的最广泛使用的技术,第4章处理了一个复杂的问题,即识别您的模型在哪些地方可能是可靠的,但由于采样不足或非代表性数据而出错。第5章介绍了将不同的策略组合成一个全面的主动学习系统的方法,第6章介绍了主动学习技术如何应用于不同类型的机器学习任务。

第3部分介绍注释—为训练和评估数据获取准确和有代表性的标签时经常被低估的问题。第7章介绍了如何找到和管理正确的人员来注释数据。第八章介绍了标注质量控制的基础知识,介绍了最常用的计算精度和一致性的方法。第9章介绍了注释质量控制的高级策略,包括对主观任务的注释,以及使用基于规则的系统、基于搜索的系统、迁移学习、半监督学习、自监督学习和合成数据创建的各种半自动注释方法。第10章介绍了如何针对不同类型的机器学习任务管理注释。

第4部分完成了“循环”,在第11章中深入探讨了有效注释的接口,在第12章中介绍了三个人在循环中的机器学习应用程序示例。在整本书中,我们不断地回到不同类型的机器学习任务的例子:图像和文档级标记、连续数据、目标检测、语义分割、序列标记、语言生成和信息检索。内页包含了快速参考资料,告诉你在哪里可以找到这些任务。

代码地址:

https://github.com/rmunro/pytorch_active_learning

成为VIP会员查看完整内容
0
30

相关内容

自然语言处理实战教你如何创建实用的NLP应用,而不陷入复杂的语言理论和深度学习的数学。在这本引人入胜的书中,您将探索构建大量强大的NLP应用所需的核心工具和技术,包括聊天机器人、语言检测器和文本分类器。

真实世界的自然语言处理不是典型的自然语言处理教科书。我们专注于构建真实世界的NLP应用。这里真实世界的意义有两个方面:首先,我们关注构建真实世界的NLP应用需要什么。作为读者,您不仅将学习如何训练NLP模型,还将学习如何设计、开发、部署和监控它们。在此过程中,您还将学习现代NLP模型的基本构建模块,以及对构建NLP应用有用的NLP领域的最新开发。其次,与大多数介绍性书籍不同,我们采用自上而下的教学方法。我们不采用自下而上的方法,一页页地展示神经网络理论和数学公式,而是专注于快速构建“正常工作”的NLP应用程序。然后我们深入研究组成NLP应用的各个概念和模型。您还将学习如何使用这些基本构建块构建端到端定制NLP应用,以满足您的需求。

这本书由三个部分组成,共11章。第1部分介绍了NLP的基础知识,其中我们学习了如何使用AllenNLP 快速构建一个NLP应用,以完成情感分析和序列标记等基本任务。

第1章首先介绍了NLP的“什么”和“为什么”——什么是NLP,什么不是NLP,如何使用NLP技术,以及NLP如何与人工智能的其他领域相关联。

第2章演示了如何构建第一个NLP应用程序,一个情感分析器,并介绍了现代NLP模型的基础知识——单词嵌入和递归神经网络(RNN)。

第3章介绍了自然语言处理应用的两个重要组成部分,单词和句子的嵌入,并演示了如何使用和训练它们。

第4章讨论了最简单但最重要的NLP任务之一,句子分类,以及如何在这个任务中使用RNN。

第5章介绍了序列标注任务,如词性标注和命名实体提取。它还涉及到一个相关的技术,语言建模。

第2部分介绍高级NLP主题,包括序列到序列模型、Transformer以及如何利用迁移学习和预先训练过的语言模型来构建强大的NLP应用。

第6章介绍了序列到序列的模型,它将一个序列转换为另一个序列。我们在一个小时内构建了一个简单的机器翻译系统和一个聊天机器人。

第7章讨论了另一种流行的神经网络结构,卷积神经网络(CNN)。

第8章深入介绍了Transformer,它是当今最重要NLP模型之一。我们将演示如何使用Transformer构建改进的机器翻译系统和拼写检查器。

第9章在前一章的基础上,讨论了迁移学习,这是现代NLP中的一种流行的技术,使用预先训练过的语言模型,如BERT。

第3部分将讨论与开发NLP应用程序相关的主题,这些应用程序对真实数据具有健壮性,并部署和服务它们。

第10章详细介绍了开发NLP应用程序时的最佳实践,包括批处理和填充、正则化和超参数优化。

第11章总结了如何部署和服务NLP模型。它还涵盖了如何解释和解释ML模型。

成为VIP会员查看完整内容
0
51

摘要

人在环路是通过整合人类的知识和经验,以最小的代价训练出准确的预测模型。借助基于机器的方法,人类可以为机器学习应用提供训练数据,直接完成一些流水线中计算机难以完成的任务。在本文中,我们从数据的角度对现有的关于人在环路的研究进行了综述,并将其分为三大类: (1) 通过数据处理提高模型性能的工作,(2) 通过干预模型训练提高模型性能的工作,(3) 系统独立的人在环路的设计。通过以上分类,我们总结了该领域的主要方法,以及它们的技术优势/弱点,并在自然语言处理、计算机视觉等方面进行了简单的分类和讨论。此外,我们提供了一些开放的挑战和机会。本综述旨在为人在环路提供一个高层次的总结,并激发感兴趣的读者考虑设计有效的人在环路解决方案的方法。

https://arxiv.org/abs/2108.00941

引言

深度学习是人工智能的前沿,旨在更接近其主要目标——人工智能。深度学习已经在广泛的应用中取得了巨大的成功,如自然语言处理、语音识别、医疗应用、计算机视觉和智能交通系统[1,2,3,4]。深度学习的巨大成功归功于更大的模型[5]。这些模型的规模包含了数亿个参数。这些数以亿计的参数允许模型有更多的自由度,足以令人惊叹的描述能力。

但是,大量的参数需要大量的标签[6]的训练数据。通过数据标注提高模型性能有两个关键的挑战。一方面,数据增长速度远远落后于模型参数的增长速度,数据增长主要阻碍了模型的进一步发展。另一方面,新任务的出现远远超过了数据更新的速度,对所有样本进行注释非常费力。为了应对这一挑战,许多研究人员通过生成样本来构建新的数据集,从而加快了模型迭代,降低了数据标注的成本[7,8,9,10,11]。此外,许多研究人员使用预训练方法和迁移学习来解决这一挑战[12,13,14,15,16],如transformer[17,18]、BERT[19]和GPT[20]。这些工作取得了令人难以置信的成果。

然而,生成的数据仅用作初始化模型的基础数据。为了获得高精度的可用模型,往往需要对具体数据进行标注和更新。因此,一些基于弱监督的工作被提出[21,22,23,24]。一些研究人员提出使用少样本来促使模型从更少的样本中学习[25,26,27]。在学习框架中集成先验知识是处理稀疏数据的有效手段,因为学习者不需要从数据本身[28]中归纳知识。越来越多的研究人员开始尝试将训练前的知识纳入他们的学习框架[29,30,31,32]。作为代理,人类有着丰富的先验知识。如果机器可以学习人类的智慧和知识,它将有助于处理稀疏数据。特别是在临床诊断和训练数据缺乏等医学领域[33,34,35,36]。

一些研究人员提出了一种名为“人在环路”(human-in- loop, HITL)的方法来解决这一挑战,该方法主要通过将人类知识纳入建模过程[37]来解决这些问题。如图1所示,human-in-the-loop(即“human-in-the-loop”和“machine learning”)是机器学习领域一个活跃的研究课题,近十年来发表了大量的论文。

如图2所示,传统的机器学习算法一般由[38]三部分组成。第一个是数据预处理,第二个是数据建模,最后一个是开发人员修改现有流程以提高性能。我们都知道,机器学习模型的性能和结果是不可预测的,这就导致了很大程度的不确定性,在人机交互的哪个部分能带来最好的学习效果。不同的研究者关注的是人工干预的不同部分。本文根据机器学习的处理方法对这些方法进行分类,分为数据预处理阶段和模型修改和训练阶段。此外,更多的研究集中在独立系统的设计上,以帮助完成模型的改进。因此,在本文中,我们首先从数据处理的角度讨论了提高模型性能的工作。接下来,我们讨论了通过干预模式训练提高模型性能的工作。最后,讨论了独立于系统的“人在环路”的设计。

成为VIP会员查看完整内容
0
30

强化学习技术是人工智能从感知智能向决策智能发展的关键技术之一;是基于控制论、心理学、生理学、认知科学、电脑科学等多学科交叉的新兴机器学习技术。

本书是学习和研究强化学习技术的重要参考书籍,作者是日本人工智能领域知名学者、东京大学杉山将教授。

全书将统计学习和强化学习结合,从模型无关策略迭代、模型无关策略搜索、模型相关强化学习三个技术路线角度,对强化学习函数估计中的基函数设计、样本重用以及策略搜索、模型估计等做了深入浅出的介绍。本书适合于从事人工智能和机器学习研究和应用的专家学者、技术人员、研究生阅读。

本书特色:

从现代机器学习的角度介绍了统计强化学习的基本概念和实用算法,为该领域提供了最新介绍。

涵盖了各种类型的强化学习方法,包括基于模型和无模型的方法、策略迭代和策略搜索方法。

涵盖了最近在数据挖掘和机器学习领域引入的方法,以便在强化学习和数据挖掘/机器学习研究人员之间提供系统桥梁。

呈现了最新的结果,包括强化学习的维数降低和风险敏感强化学习;介绍了许多示例来帮助读者理解强化学习技术的直观性和实用性。

成为VIP会员查看完整内容
0
49

近年来,自然语言处理的研究方法取得了一些突破。这些突破来源于两个新的建模框架以及在计算和词汇资源的可用性的改进。在这个研讨会小册子中,我们将回顾这些框架,以一种可以被视为现代自然语言处理开端的方法论开始:词嵌入。我们将进一步讨论将嵌入式集成到端到端可训练方法中,即卷积神经网络和递归神经网络。这本小册子的第二章将讨论基于注意力的模型的影响,因为它们是最近大多数最先进的架构的基础。因此,我们也将在本章中花很大一部分时间讨论迁移学习方法在现代自然语言处理中的应用。最后一章将会是一个关于自然语言生成的说明性用例,用于评估最先进的模型的训练前资源和基准任务/数据集。

https://compstat-lmu.github.io/seminar_nlp_ss20/

在过去的几十年里,人工智能技术的重要性和应用不断得到关注。在当今时代,它已经与构成人类塑造环境的大部分环境密不可分。因此,商业、研究和开发、信息服务、工程、社会服务和医学等无数部门已经不可逆转地受到人工智能能力的影响。人工智能有三个主要领域组成了这项技术:语音识别、计算机视觉和自然语言处理(见Yeung (2020))。在这本书中,我们将仔细研究自然语言处理(NLP)的现代方法。

这本小册子详细介绍了用于自然语言处理的现代方法,如深度学习和迁移学习。此外,本研究亦会研究可用于训练自然语言处理任务的资源,并会展示一个将自然语言处理应用于自然语言生成的用例。

为了分析和理解人类语言,自然语言处理程序需要从单词和句子中提取信息。由于神经网络和其他机器学习算法需要数字输入来进行训练,因此应用了使用密集向量表示单词的词嵌入。这些通常是通过有多个隐藏层的神经网络学习的,深度神经网络。为了解决容易的任务,可以应用简单的结构神经网络。为了克服这些简单结构的局限性,采用了递归和卷积神经网络。因此,递归神经网络用于学习不需要预先定义最佳固定维数的序列的模型,卷积神经网络用于句子分类。第二章简要介绍了NLP中的深度学习。第三章将介绍现代自然语言处理的基础和应用。在第四章和第五章中,将解释和讨论递归神经网络和卷积神经网络及其在自然语言处理中的应用。

迁移学习是每个任务或领域的学习模型的替代选择。在这里,可以使用相关任务或领域的现有标记数据来训练模型,并将其应用到感兴趣的任务或领域。这种方法的优点是不需要在目标域中进行长时间的训练,并且可以节省训练模型的时间,同时仍然可以(在很大程度上)获得更好的性能。迁移学习中使用的一个概念是注意力,它使解码器能够注意到整个输入序列,或自注意,它允许一个Transformer 模型处理所有输入单词,并建模一个句子中所有单词之间的关系,这使得快速建模一个句子中的长期依赖性成为可能。迁移学习的概念将在小册子的第6章简要介绍。第七章将通过ELMo、ULMFiT和GPT模型来描述迁移学习和LSTMs。第八章将详细阐述注意力和自注意力的概念。第九章将迁移学习与自注意力相结合,介绍了BERT模型、GTP2模型和XLNet模型。

为NLP建模,需要资源。为了找到任务的最佳模型,可以使用基准测试。为了在基准实验中比较不同的模型,需要诸如精确匹配、Fscore、困惑度或双语评估替补学习或准确性等指标。小册子的第十章简要介绍了自然语言处理的资源及其使用方法。第11章将解释不同的指标,深入了解基准数据集SQuAD、CoQa、GLUE和SuperGLUE、AQuA-Rat、SNLI和LAMBADA,以及可以找到资源的预训练模型和数据库,如“带代码的论文”和“大坏的NLP数据库”。

在小册子的最后一章中,介绍了生成性NLP处理自然语言生成,从而在人类语言中生成可理解的文本。因此,不同的算法将被描述,聊天机器人和图像字幕将被展示,以说明应用的可能性。

本文对自然语言处理中各种方法的介绍是接下来讨论的基础。小册子的各个章节将介绍现代的NLP方法,并提供了一个更详细的讨论,以及各种示例的潜力和限制。

成为VIP会员查看完整内容
0
162

数据驱动的发现正在彻底改变复杂系统的建模、预测和控制。这本教科书汇集了机器学习、工程数学和数学物理,将动态系统的建模和控制与现代数据科学方法相结合。它强调了科学计算领域的许多最新进展,使数据驱动的方法能够应用于各种复杂系统,如湍流、大脑、气候、流行病学、金融、机器人和自主。旨在在工程和物理科学的高级本科和开始研究生,文本提出了从介绍到艺术的状态的一系列主题和方法。

主要特点:

  • 深入的工作示例与全面的开源代码

  • 对复杂概念及其应用的简明易懂的解释

  • 广泛的在线补充包括练习,案例研究,课程视频,数据和补充代码

第一部分:降维与变换

尽管测量和计算的分辨率迅速提高,但许多复杂系统在数据中表现出主导的低维模式。模式提取涉及到找到坐标变换,从而简化系统。的确,数学物理的丰富历史是以坐标变换为中心的(例如,谱分解、傅里叶变换、广义函数等),尽管这些技术在很大程度上仅限于简单的理想化几何和线性动力学。获得数据驱动转换的能力为将这些技术推广到具有更复杂几何和边界条件的新研究问题提供了机会。

这本书的这一部分将调查两个最强大和普遍的算法转换和减少数据:奇异值分解(SVD)和傅立叶变换。数据可以在这些转换后的坐标系统中压缩,这一事实使建模和控制的高效传感和紧凑表示成为可能。因此,第三章涉及到利用这种低维结构的稀疏采样方法。

第二部分:机器学习和数据分析

机器学习是基于数据优化技术的。目标是找到一个低秩子空间来最优地嵌入数据,以及回归方法来聚类和分类不同的数据类型。因此,机器学习提供了一套有原则的数学方法,用于从数据中提取有意义的特征,即数据挖掘,以及将数据分成不同的有意义的模式,可以用于决策制定、状态估计和预测。具体来说,它从数据中学习并根据数据做出预测。对于商业应用程序,这通常被称为预测分析,它处于现代数据驱动决策制定的前沿。在一个集成系统中,如自主机器人,各种机器学习组件(例如,处理视觉和触觉刺激)可以被集成,形成我们现在所说的人工智能(AI)。明确地说,人工智能建立在集成的机器学习算法之上,而机器学习算法又从根本上植根于优化。

第三部分:动力学和控制

数据驱动的发现正在彻底改变我们建模、预测和控制复杂系统的方式。现代最紧迫的科学和工程问题是不服从经验模型或基于第一性原理的推导的。研究人员越来越多地转向数据驱动的方法,用于各种复杂系统,如动荡、大脑、气候、流行病学、金融、机器人和自主。这些系统通常是非线性的、动态的、空间和时间的多尺度的、高维的,具有主导的潜在模式,应该为感知、预测、估计和控制的最终目标进行特征化和建模。借助现代数学方法,以及前所未有的可用数据和计算资源,我们现在能够解决以前无法实现的挑战问题。

第四部分:简化订单模型(ROMs)

适当的正交分解(POD)是应用于偏微分方程(PDEs)的SVD算法。因此,它是研究复杂时空系统最重要的降维技术之一。这样的系统典型的例子是非线性偏微分方程,它规定了在给定的物理、工程和/或生物系统中感兴趣的数量在时间和空间上的进化。POD的成功与一个普遍存在的现象有关:在大多数复杂系统中,有意义的行为被编码在动态活动的低维模式中。POD技术试图利用这一事实,以生产能够精确建模控制复杂系统的完整时空演化的低秩动力系统。具体来说,简化阶模型(ROMs)利用POD模式将PDE动力学投影到低阶子空间,在这些子空间中,控制PDE模型的模拟可以更容易地进行评估。重要的是,ROM产生的低秩模型在计算速度方面有了显著的改进,潜在地使昂贵的PDE系统蒙特卡罗模拟、参数化PDE系统的优化和/或基于PDE的系统的实时控制成为可能。

成为VIP会员查看完整内容
0
62

计算机科学在建模和解决问题的方法上正在经历一个根本性的转变。早期的计算机科学家主要研究离散数学,专注于由有限数量的不同片段组成的图形、树和阵列等结构。随着快速浮点处理、“大数据”、三维扫描和其他噪杂输入来源的引入,现代计算机科学工作者必须设计健壮的方法来处理和理解实值数据。现在,除了离散数学,计算机科学家必须同样流利地掌握多元微积分和线性代数的语言。

数值算法介绍了计算机科学应用的数值方法的用户所必需的技能。本文是为高级本科生和早期研究生设计的,他们熟悉数学符号和形式,但需要在考虑算法的同时复习连续的概念。它涵盖了广泛的主题基础,从数值线性代数到优化和微分方程,目标是导出标准方法,同时发展直觉和舒适所需的理解更多的文献在每个子主题。在书中,每一章都温和而严谨地介绍了数值方法、数学背景和现代计算机科学的实例。

几乎每个部分都考虑了给定类型的数值算法的实际用例。例如,奇异值分解与统计方法、点云对齐和低秩近似一起被引入,最小二乘的讨论包括机器学习的概念,如核化和正则化。本理论与应用并行介绍的目的是提高设计数值方法和每种方法在实际情况中的应用。

成为VIP会员查看完整内容
0
61

来自UIUC的机器学习书稿,讲述机器学习基础知识,包含回归、分类、聚类等

成为VIP会员查看完整内容
0
49

这本书是关于运用机器和深度学习来解决石油和天然气行业的一些挑战。这本书开篇简要讨论石油和天然气勘探和生产生命周期中不同阶段的数据流工业操作。这导致了对一些有趣问题的调查,这些问题很适合应用机器和深度学习方法。最初的章节提供了Python编程语言的基础知识,该语言用于实现算法;接下来是监督和非监督机器学习概念的概述。作者提供了使用开源数据集的行业示例以及对算法的实际解释,但没有深入研究所使用算法的理论方面。石油和天然气行业中的机器学习涵盖了包括地球物理(地震解释)、地质建模、油藏工程和生产工程在内的各种行业主题。

在本书中,重点在于提供一种实用的方法,提供用于实现机器的逐步解释和代码示例,以及用于解决油气行业现实问题的深度学习算法。

你将学到什么

  • 了解石油和天然气行业的端到端的行业生命周期和数据流
  • 了解计算机编程和机器的基本概念,以及实现所使用的算法所需的深度学习
  • 研究一些有趣的行业问题,这些问题很有可能被机器和深度学习解决
  • 发现在石油和天然气行业中执行机器和深度学习项目的实际考虑和挑战

这本书是给谁的

  • 石油和天然气行业的专业人员,他们可以受益于对机器的实际理解和解决现实问题的深度学习方法。
成为VIP会员查看完整内容
0
70

本教程介绍了机器学习(ML)的一些主要概念。从工程的角度来看,ML领域围绕着实现科学原理的软件开发: (i) 对一些现象设定一个假设(选择一个模型),(ii) 收集数据来验证假设(验证模型),(iii) 完善假设(迭代)。基于这一原理的一类重要算法是梯度下降法,它旨在迭代地细化由某个(权重)向量参数化的模型。通过结合假设空间(模型)、质量度量(损失)和模型优化(优化方法)的计算实现的不同选择,可以得到大量的ML方法。目前许多被认为是(人工)智能的系统都是基于几种基本机器学习方法的组合。在形式化ML问题的主要构建模块之后,讨论了ML方法的一些流行算法设计模式。本教程是在“机器学习:基本原理”和“人工智能”两门课程的课堂笔记基础上发起来的,这两门课程我从2015年开始在阿尔托大学(Aalto University)与人合作授课。

https://www.zhuanzhi.ai/paper/e45f282b068a1584cb0eaf0f0b338c20

成为VIP会员查看完整内容
0
100

这本受欢迎的教科书的第一版,当代人工智能,提供了一个学生友好的人工智能介绍。这一版完全修订和扩大更新,人工智能: 介绍机器学习,第二版,保留相同的可访问性和解决问题的方法,同时提供新的材料和方法。

该书分为五个部分,重点介绍了人工智能中最有用的技术。书的第一部分涵盖了基于逻辑的方法,而第二部分着重于基于概率的方法。第三部分是涌现智能的特点,探讨了基于群体智能的进化计算和方法。接下来的最新部分将提供神经网络和深度学习的详细概述。书的最后一部分着重于自然语言的理解。

适合本科生和刚毕业的研究生,本课程测试教材为学生和其他读者提供关键的人工智能方法和算法,以解决具有挑战性的问题,涉及系统的智能行为在专门领域,如医疗和软件诊断,金融决策,语音和文本识别,遗传分析等。

https://www.routledge.com/Artificial-Intelligence-With-an-Introduction-to-Machine-Learning-Second/Neapolitan-Jiang/p/book/9781138502383

成为VIP会员查看完整内容
0
112
小贴士
相关VIP内容
专知会员服务
162+阅读 · 2月22日
专知会员服务
49+阅读 · 2020年11月24日
专知会员服务
70+阅读 · 2020年11月3日
专知会员服务
100+阅读 · 2020年10月24日
专知会员服务
112+阅读 · 2020年7月5日
相关论文
Mark D. Hill,Vijay Janapa Reddi
0+阅读 · 11月24日
Pietro Mazzaglia,Tim Verbelen,Bart Dhoedt
4+阅读 · 10月19日
Bo Li,Peng Qi,Bo Liu,Shuai Di,Jingen Liu,Jiquan Pei,Jinfeng Yi,Bowen Zhou
20+阅读 · 10月4日
Abhimanyu Dubey,Vignesh Ramanathan,Alex Pentland,Dhruv Mahajan
6+阅读 · 3月30日
Annie Xie,Dylan P. Losey,Ryan Tolsma,Chelsea Finn,Dorsa Sadigh
10+阅读 · 2020年11月12日
Interpretable Active Learning
Richard L. Phillips,Kyu Hyun Chang,Sorelle A. Friedler
3+阅读 · 2018年6月24日
Andreas Groll,Christophe Ley,Gunther Schauberger,Hans Van Eetvelde
3+阅读 · 2018年6月13日
Bing Liu,Gokhan Tur,Dilek Hakkani-Tur,Pararth Shah,Larry Heck
6+阅读 · 2018年4月18日
Sven Schmit,Carlos Riquelme
6+阅读 · 2018年3月28日
Sahisnu Mazumder,Nianzu Ma,Bing Liu
5+阅读 · 2018年2月16日
Top