深度学习无法进行因果推理，而图模型(GNN)或是解决方案之一。清华大学孙茂松教授组发表综述论文，全面阐述GNN及其方法和应用，并提出一个能表征各种不同GNN模型中传播步骤的统一表示。文中图表，建议高清打印过塑贴放手边作参考。
Author Archive
DeepMind、谷歌大脑、MIT等27位作者重磅论文，图网络（Graph network）让深度学习也能因果推理
DeepMind联合谷歌大脑、MIT等机构27位作者发表重磅论文，提出“图网络”（Graph network），将端到端学习与归纳推理相结合，有望解决深度学习无法进行关系推理的问题。
图神经网络（GNN）也许是 AI 的未来
图神经网络(Graph NN)是近来的一大研究热点，尤其是DeepMind提出的“Graph Networks”，号称有望让深度学习实现因果推理。但这篇论文晦涩难懂，复星集团首席AI科学家、大数医达创始人邓侃博士，在清华俞士纶教授团队对GNN综述清晰分类的基础上，解析DeepMind“图网络”的意义。
谷歌NLP深度学习模型BERT特征的可解释性表现怎么样？
2018年10 月初，Google AI 提出了一种新的上下文词表征——BERT 特征。本文对 BERT 特征进行了介绍，并简要分析了 BERT 特征的可解释性。
对话周明：回望过去，展望未来，NLP有哪些发展趋势？
微软亚洲研究院副院长、ACL主席周明博士接受“机器之心”专访，从宏观层次和技术层面探讨了NLP的研究进展及未来发展趋势。以下为周明博士专访内容精选。
“10分钟搞定”使用Google Colab构建一个图像分类模型
你不需要为谷歌或其他大型科技公司工作就可以使用深度学习数据集，在几分钟内从零开始建立起你自己的神经网络，而不需要租用谷歌的服务器也不再只是一个梦。Fast.ai的学生在Imagenet数据集上仅用18分钟就设计出了一个模型，本文将展示与其类似的模型构建过程。
了解图神经网络GNN和2种高级算法“DeepWalk”+ “GraphSage”
最近，图神经网络 (GNN) 在各个领域越来越受到欢迎，包括社交网络、知识图谱、推荐系统，甚至生命科学。GNN 在对图形中节点间的依赖关系进行建模方面能力强大，使得图分析相关的研究领域取得了突破性进展。本文旨在介绍图神经网络的基本知识，以及两种更高级的算法：DeepWalk 和 GraphSage。
CNN图像分类策略简单到出人意料！
CNN非常擅长对乱序图像进行分类，但人类并非如此。在这篇文章中，作者展示了为什么最先进的深度神经网络仍能很好地识别乱码图像，探究其中原因有助于揭示DNN使用让人意想不到的简单策略，对自然图像进行分类。
GANs 千万条，安全第一条
生成对抗神经网络（ GANs ）是深度学习下一步发展的关键，它在很多领域都有很大的应用前景。但 GANs 的繁荣还需要跨过硬件和框架这两座高山。
[实践】用BRET进行多标签文本分类（附代码）
我们将使用Kaggle的垃圾评论分类挑战来衡量BERT在多标签文本分类中的表现。