直播预告： NeurlPS 2020 专场四| AI TIME PhD

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

12月18日晚8:00-9:00

AI TIME特别邀请了2位优秀的讲者跟大家共同开启NeurIPS 2020专场四！

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号

观看直播

链接：https://live.bilibili.com/21813994

★ 邀请嘉宾 ★

朱时超：本科毕业于哈尔滨工业大学，现为中国科学院大学博士四年级在读学生，导师为王斌，指导老师为周川和潘世瑞，主要研究方向为图神经网络和异质图表示学习的理论研究及其应用。

报告题目：

图几何交互学习

摘要：

图几何交互学习GIL首次打破几何空间特征嵌入的壁垒，将图神经网络拓展到欧氏空间和双曲空间进行交互学习，综合利用双曲和欧几里得拓扑特征的几何表示学习方法。GIL针对不同的几何图派生出一种新颖的距离感知传播和交互学习方案，并以自适应的方式为每个节点的不同几何嵌入分配不同的重要性权重。我们的方法在节点分类和链接预测任务的五个基准测试中取得了最先进的性能，大量的理论推导和实验分析也验证了GIL方法的有效性。

韩东起：本科毕业于中国科学技术大学物理系，现为Cognitive Neurorobotics Research Unit, Okinawa Institute of Science and Technology (OIST) 的PhD Candidate，导师为 Jun Tani和 Kenji Doya。他的主要研究兴趣是所有和神经网络有关系的课题，包括人工神经网络的应用（主要是深度强化学习），生物神经回路的建模（脉冲神经网络）以及利用人工神经网络模型研究认知神经科学。

报告题目：

当强化学习遇上循环神经网络：从System1 到 System 2 Deep Learning

摘要：

在复杂多变的环境中，如何去学习具有高度适应性和认知性的策略，是认知科学和人工智能的核心问题。本报告会介绍讲者最近在强化学习（RL）中利用循环神经网络（RNN）来实现更具有认知性（cognitive），更高效的控制策略的两篇工作：

（1）提出一种新颖的，多层级的循环神经网络（multiple-levels RNN）模型，用于通过端对端（end-to-end）的无模型强化学习（model-free RL）来解决分层控制（hierarchical control）的任务。通过实验我们可以观察到，在一个具有挑战性的控制任务中，此RNN会在强化学习中逐步自组织出动作层次结构（self-organization of action hierarchy）。该层次结构在高层的RNN中对应子目标（sub-goal）的抽象表示，而在低层的RNN中对应底层动作控制。另外这个自组织的动作层次结构可以帮助智能体，在由已经学习过的子目标重新组成的新任务中更快地进行重新学习。

（2）讲者会介绍用于部分可观测环境（POMDP）中强化学习的一种变分循环神经网络（variational RNN）模型。此模型可以通过预测环境中的状态转变，将环境中的不可观测信息编码在RNN的internal states中。并提出了一种相应的算法，可以高效地实现在部分可观测环境中的强化学习。

直播结束后我们会邀请讲者在微信群中与大家答疑交流，请添加“AI TIME小助手（微信号：AITIME_HY）”，回复“nips”，将拉您进“NeurIPS 2020 交流群”！

AI TIME微信小助手

主办：AI TIME 、AMiner

联合支持：智源社区

合作伙伴：智谱·AI、中国工程院知领直播、学堂在线、CSDN、学术头条、biendata、大数据文摘、数据派、 Ever链动、机器学习算法与自然语言处理

AMiner是学术搜索和社会网络挖掘研究的重要数据和实验平台，由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万。

1）AMiner平台：https://www.aminer.cn

2）会议专题页面：https://www.aminer.cn/conf/emnlp2020

AI TIME欢迎AI领域学者投稿，期待大家剖析学科历史发展和前沿技术。针对热门话题，我们将邀请专家一起论道。同时，我们也长期招募优质的撰稿人，顶级的平台需要顶级的你，请将简历等信息发至yun.he@aminer.cn！

微信联系：AITIME_HY

清华情怀·AITIME基地

1911主题餐厅