nips专题

【模块缝合】【NIPS 2021】MLP-Mixer: An all-MLP Architecture for Vision

文章目录简介代码，from：https://github.com/huggingface/pytorch-image-models【多看看成熟仓库的代码】MixerBlock paper and code： https://paperswithcode.com/paper/mlp-mixer-an-all-mlp-architecture-for-vision#code 简

清华朱文武团队斩获NIPS 2018 AutoML挑战赛亚军，高校排名第一

来源：新智元本文约2000字，建议阅读10分钟。本文介绍了NIPS 2018 AutoML挑战赛的最终结果，清华大学计算机系朱文武团队斩获第二，高校排名雄踞第一。 NIPS 2018 AutoML挑战赛结果出炉：印度团队autodidact.ai第一，清华计算机系朱文武实验室Meta_Learners团队斩获第二。值得注意的是，清华Meta_Learners团队是本次参赛高校成绩

PSP - 结构生物学中的机器学习 (NIPS MLSB Workshop 2023.12)

欢迎关注我的CSDN：https://spike.blog.csdn.net/ 本文地址：https://spike.blog.csdn.net/article/details/135120094 Machine Learning in Structural Biology (机器学习在结构生物学中) 网址：https://www.mlsb.io/ Workshop at the

GAN之父在NIPS 2016上做的报告：两个竞争网络的对抗（含译文下载）

GAN之父在NIPS 2016上做的报告：两个竞争网络的对抗作者：Ian Goodfellow翻译：七月在线DL翻译组译者：范诗剑汪识瀚李亚楠审校：管博士寒小阳加号责编：翟惠良 July声明：本译文仅供学习交流，有任何翻译不当之处，敬请留言指正。转载请注明出处。下载：https://ask.julyedu.com/question/7664 前言今年春节

2018 NIPS LinkNet: Relational Embedding for Scene Graph论文解读

2018 NIPS LinkNet: Relational Embedding for Scene Graph论文解读这篇文章想解决的问题是生成scene graph问题，这个任务是基于2017年提出的数据集visual genome的新任务，scene graph如图：对于输入的一张图像，先检测出它包含的object，并且进行分类，不仅如此还要找到他们之间的关系，然后构成scene gr

PSP - 结构生物学中的机器学习 (NIPS MLSB Workshop 2023.12)

欢迎关注我的CSDN：https://spike.blog.csdn.net/ 本文地址：https://spike.blog.csdn.net/article/details/135120094 Machine Learning in Structural Biology (机器学习在结构生物学中) 网址：https://www.mlsb.io/ Workshop at the

PSP - 结构生物学中的机器学习 (NIPS MLSB Workshop 2023.12)

欢迎关注我的CSDN：https://spike.blog.csdn.net/ 本文地址：https://spike.blog.csdn.net/article/details/135120094 Machine Learning in Structural Biology (机器学习在结构生物学中) 网址：https://www.mlsb.io/ Workshop at the

【论文笔记】GraphSAGE：Inductive Representation Learning on Large Graphs（NIPS）

学习心得 GCN不能泛化到训练过程中没有出现的节点（即属于 t r a n s d u c t i v e transductive transductive 直推式学习，若加入新节点则需要重新训练模型），既然有新增的结点（一定会改变原有节点），那就没必要一定得到每个节点的固定表示。而GraphSAGE就是为了解决这种问题，利用Sample（采样）和Aggregate（聚合）两大核心步骤，通过

AI人才受热捧，NIPS会议“沦落”为招聘会

2017年12月在美国洛杉矶举行的NIPS会议（神经信息处理系统大会）上，各大企业蜂拥而至招聘人工智能人才，使得这个传统上专注于学术研讨的高水平国际学术会议“沦落”成为了招聘会。 12月3日，美国加州长滩的威斯汀酒店（Westin hotel）大堂上站着装扮成机器人的演员，在机器人的泡沫身体上贴着“内置英特尔”（Intel Inside）的标签。人们在

登顶Science封面、拿下NIPS最佳论文！这位CMU大神要毕业了

作者 | 陈大鑫我已经答辩完成了我的博士学位论文！在我攻读博士学位的过程中，看到击败扑克界的顶尖人物的想法从科幻小说演变成现实，真是太神奇了。昨日，Noam Brown在推特上宣布答辩完成了卡耐基梅隆大学（CMU）的230页超硬核博士论文：《Equilibrium Finding for Large Adversarial Imperfect-Information Games》

为了争夺人才，苹果在顶会NIPS上又透露了公司自动驾驶研究的新情况

来源 | wired 编译 | 微胖这几年来，苹果神秘的自动驾驶项目不断变换着重心，不过今年似乎加快步伐了。四月，苹果获得加州自动驾驶路测许可。苹果 CEO 库克也证实，公司正在研发可以让汽车（以及其他工具）自动行驶的软件。最近，在顶会 NIPS 的一次研讨会上，在 200 多位 AI 专家面前，苹果 AI 主管 Ruslan Salakhutdinov 又介绍了公司近期在

国际顶会【自然语言处理：ACL、EMNLP、NAACL、Coling】【机器学习：ICML、NIPS、UAI、AISTATS】【深度学习：ICLR】【数据挖掘：KDD、WSDM】【人工智能：AAAI】

ArXiv.org 【自然语言处理：ACL、EMNLP、NAACL、Coling】【计算机视觉：ICCV、CVPR】【机器学习：ICML、NIPS、UAI、AISTATS】【深度学习：ICLR】【数据挖掘：KDD、WSDM】【人工智能：IJCAI、AAAI】【图神经网络：KDD】期刊：Computational Linguistics、TACL Tutorial Session：领

NIPS 2022 Poster | DCD-FG：大规模因子图的可微因果发现

文章目录一、论文关键信息二、基础概念三、主要内容1. Motivations2. Insights3. 解决方案的关键四、总结 CSDN 叶庭云：https://yetingyun.blog.csdn.net/ 一、论文关键信息论文标题：Large-Scale Differentiable Causal Discovery of Factor Graphs 会议

多智能体强化学习论文——SEAC（NIPS 2020)

存在的问题&研究动机&研究思路在稀疏奖励的环境下，多智能体的exploration存在效率不足的问题。在IAC的基础上尝试加入重要性采样，使得每次更新智能体 i i i的参数时，不再仅仅使用智能体 i i i的数据，而是使用所有智能体的数据进行智能体 i i i数据的更新。对于原始的IAC算法是on-policy的，而SEAC则是off-poligy的。创新点在每个智能体 i i i的

（2021|NIPS，VQ-VAE，精度瓶颈松弛，三明治层归一化，CapLoss）CogView：通过转换器掌握文本到图像的生成

CogView: Mastering Text-to-Image Generation via Transformers 公众号：EDPJ（添加 VX：CV_EDPJ 或直接进 Q 交流群：922230617 获取资料）目录 0. 摘要 1. 简介 2. 方法 2.1 理论 2.2 标记化 2.3 自回归 Transformer 2.4 训练的稳定性 3. 微调 3.

论文阅读——CondConv: Conditionally Parameterized Convolutions for Efficient Inference[2019-NIPS]

原文及代码链接：CondConv: Conditionally Parameterized Convolutions for Efficient Inference | Papers With Code 条件参数化卷积（CondConv），其实质就是将每个样本的卷积核用一组卷积核的线性组合来代替。权重α由r(x)得到，主要包括全局平均池化、全连接层、Sigmoid激活函数三个操作。在测试过

（2021|NIPS，VQ-VAE，精度瓶颈松弛，三明治层归一化，CapLoss）CogView：通过转换器掌握文本到图像的生成

CogView: Mastering Text-to-Image Generation via Transformers 公众号：EDPJ（添加 VX：CV_EDPJ 或直接进 Q 交流群：922230617 获取资料） 0. 摘要通用领域中的文本到图像生成长期以来一直是一个悬而未决的问题，这需要强大的生成模型和跨模态理解。我们提出了 CogView，一个具有 VQ-VAE 标记器的

（2021|NIPS，）CogView：通过 Transformer 掌握文本到图像的生成

CogView: Mastering Text-to-Image Generation via Transformers 公众号：EDPJ（添加 VX：CV_EDPJ 或直接进 Q 交流群：922230617 获取资料） 0. 摘要通用领域中的文本到图像生成长期以来一直是一个悬而未决的问题，这需要强大的生成模型和跨模态理解。我们提出了 CogView，一个带有 VQ-VAE 标记器的

深度解读FRAGE: Frequency-Agnostic Word Representation(2018-NIPS)

FRAGE: Frequency-Agnostic Word Representation 文章目录 FRAGE: Frequency-Agnostic Word Representation写在最前摘要1. 介绍(Introduction)2. 背景(Background)2.1 词表示 (Word Representation)2.2 对抗训练(Adversarial Training