ICML

安妮 郭一璞 发自 凹非寺 量子位 出品 | 公众号 QbitAI 如何去评价一个神经网络的泛化能力？ 一篇出自比利时天主教鲁汶大学的研究发表在了ICML 2019识别和理解深度学习现象Workshop上。 研究指出，网络的泛化能力，可以通过“层旋转”来评判。 所谓层旋转，是指神经网络中每一层的权重

新智元报道 来源：arXiv 编辑：好困 【新智元导读】非对比自监督学习一直存在着几个基本理论问题：如何避免表征崩溃？学习到的表征的性质是什么？近日，田渊栋团队首次对模型训练的行为以及多个超参数的经验效应进行了分析，并提出了极为简单的预测器设置方法，论文已经被ICML 2021接收。 自监督学习 (

文章标题：Description Based Text Classification with Reinforcement Learning 文章作者：Duo Chai, Wei Wu, Qinghong Han, Fei Wu and Jiwei Li 文章链接：https://arxiv.org

《Domain Agnostic Learning with Disentangled Representations》ICML 2019，主要包括《Domain Agnostic Learning with Disentangled Representations》ICML 2019使用实例、应用

来源：机器之心 本文共2772字，建议阅读6分钟。 本文为你编译了清华特奖得主乔明达一人署名的论文《Do Outliers Ruin Collaboration?》。 不久之前，ICML 2018 的接收论文列表放出，本文为你编译了清华特奖得主、交叉信息院 2014 级本科生乔明达一人署名的论文《D

将强化学习用于推荐系统，能更好地考虑用户的长期效益，从而保持用户在平台中的长期满意度、活跃度。但是，强化学习需要大量训练样本，例如，AlphaGoZero [1] 进行了 490 百万局模拟围棋训练，Atari game 的强化学习在电脑中高速运行了超过 50 个小时 [2]。而在推荐系统的场景中，

来自 | 知乎 作者 | kid丶 连接 | https://zhuanlan.zhihu.com/p/163676138 编辑 |深度学习这件小事公众号 本文仅作学术交流，如有侵权，请联系后台删除。 这篇文章发自2020年的ICML，脑洞很大，居然只有一行代码？ 论文链接：https://arx

编者按：第三十八届机器学习国际会议 ICML 2021 于7月18日在线上举行，今年的 ICML 会议一共接收了1184篇论文，接收率接近21.5%。其中微软亚洲研究院有多篇论文入选，今天我们精选了5篇为大家进行介绍。这5个工作的研究主题关键词包括数据采样、Transformer、序列学习、神经网络

fig0 论文标题：On Explainability of Graph Neural Networks via Subgraph Explorations 论文地址：https://arxiv.org/pdf/2102.05152.pdf 欢迎关注小编知乎：图子 目前针对GNN的可解释性提出了很多

论文笔记整理：申时荣，东南大学博士生。 来源：ICML 2020 链接：http://arxiv.org/abs/2007.02387 一、介绍 本文研究了少样本关系提取，旨在通过训练每个关系少量带有标记示例的句子来预测句子中一对实体的关系。为了更有效地推广到新的关系，在本文中，我们研究了不同关系之