深度學習無法進行因果推理，而圖模型(GNN)或是解決方案之一。清華大學孫茂松教授組發表綜述論文，全面闡述GNN及其方法和應用，並提出一個能表徵各種不同GNN模型中傳播步驟的統一表示。文中圖表，建議高清列印過塑貼放手邊作參考。
Author Archive
DeepMind、谷歌大腦、MIT等27位作者重磅論文，圖網路（Graph network）讓深度學習也能因果推理
DeepMind聯合谷歌大腦、MIT等機構27位作者發表重磅論文，提出「圖網路」（Graph network），將端到端學習與歸納推理相結合，有望解決深度學習無法進行關係推理的問題。
圖神經網路（GNN）也許是 AI 的未來
圖神經網路(Graph NN)是近來的一大研究熱點，尤其是DeepMind提出的「Graph Networks」，號稱有望讓深度學習實現因果推理。但這篇論文晦澀難懂，復星集團首席AI科學家、大數醫達創始人鄧侃博士，在清華俞士綸教授團隊對GNN綜述清晰分類的基礎上，解析DeepMind「圖網路」的意義。
谷歌NLP深度學習模型BERT特徵的可解釋性表現怎麼樣？
2018年10 月初，Google AI 提出了一種新的上下文詞表徵——BERT 特徵。本文對 BERT 特徵進行了介紹，並簡要分析了 BERT 特徵的可解釋性。
對話周明：回望過去，展望未來，NLP有哪些發展趨勢？
微軟亞洲研究院副院長、ACL主席周明博士接受「機器之心」專訪，從宏觀層次和技術層面探討了NLP的研究進展及未來發展趨勢。以下為周明博士專訪內容精選。
「10分鐘搞定」使用Google Colab構建一個圖像分類模型
你不需要為谷歌或其他大型科技公司工作就可以使用深度學習數據集，在幾分鐘內從零開始建立起你自己的神經網路，而不需要租用谷歌的伺服器也不再只是一個夢。Fast.ai的學生在Imagenet數據集上僅用18分鐘就設計出了一個模型，本文將展示與其類似的模型構建過程。
了解圖神經網路GNN和2種高級演算法「DeepWalk」+ 「GraphSage」
最近，圖神經網路 (GNN) 在各個領域越來越受到歡迎，包括社交網路、知識圖譜、推薦系統，甚至生命科學。GNN 在對圖形中節點間的依賴關係進行建模方面能力強大，使得圖分析相關的研究領域取得了突破性進展。本文旨在介紹圖神經網路的基本知識，以及兩種更高級的演算法：DeepWalk 和 GraphSage。
CNN圖像分類策略簡單到出人意料！
CNN非常擅長對亂序圖像進行分類，但人類並非如此。在這篇文章中，作者展示了為什麼最先進的深度神經網路仍能很好地識別亂碼圖像，探究其中原因有助於揭示DNN使用讓人意想不到的簡單策略，對自然圖像進行分類。
GANs 千萬條，安全第一條
生成對抗神經網路（ GANs ）是深度學習下一步發展的關鍵，它在很多領域都有很大的應用前景。但 GANs 的繁榮還需要跨過硬體和框架這兩座高山。
[實踐】用BRET進行多標籤文本分類（附代碼）
我們將使用Kaggle的垃圾評論分類挑戰來衡量BERT在多標籤文本分類中的表現。