有关实体及其关系的真实世界事实的知识库是各种自然语言处理任务的有用资源。然而，由于知识库通常是不完整的，因此能够执行知识库补全或链接预测是很有用的。本文全面概述了用于知识库完成的实体和关系的嵌入模型，总结了标准基准数据集上最新的实验结果。

一个综合的人工智能系统应该不止能“感知”环境，还要能“推断”关系及其不确定性。深度学习在各类感知的任务中表现很不错，如图像识别，语音识别。然而概率图模型更适用于inference的工作。

徒手写生具有高度的象形性和说明性，自古至今一直被人们广泛地用于描绘物体或故事。最近流行的触摸屏设备使素描创作比以往任何时候都要容易得多，从而使面向素描的应用程序越来越受欢迎。深度学习的繁荣也极大地促进了对徒手写生的研究。本文对面向手绘草图的深度学习技术进行了综述。

自监督学习（Self-supervised learning）最近获得了很多关注，因为其可以避免对数据集进行大量的标签标注。它可以把自己定义的伪标签当作训练的信号，然后把学习到的表示（representation）用作下游任务里。最近，对比学习被当作自监督学习中一个非常重要的一部分，被广泛运用在计算机视觉、自然语言处理等领域。它的目标是：将一个样本的不同的、增强过的新样本们在嵌入空间中尽可能地近，然后让不同的样本之间尽可能地远。这篇论文提供了一个非常详尽的对比自监督学习综述。

与批量学习不同的是，在批量学习中所有的训练数据都是一次性可用的，而持续学习代表了一组方法，这些方法可以积累知识，并使用序列可用的数据连续学习。与人类的学习过程一样，不断学习具有学习、融合和积累不同时间步的新知识的能力，被认为具有很高的现实意义。因此，持续学习在各种人工智能任务中得到了研究。

现代机器学习擅长于从固定的数据集和固定的环境中训练出强大的模型，常常超过人类的能力。然而，这些模型未能模拟人类的学习过程，而人类的学习过程是有效的、稳健的，并且能够从非平稳世界的连续经验中逐步学习。

自然场景中的文本识别(scene text recognition, STR)是计算机视觉和模式识别领域的研究热点。最近华南理工的学者发布了关于STR的综述论文，总结了STR的基本问题和最先进的技术，介绍新的见解和想法，并展望未来的趋势来展示STR的全貌。

深度学习通常被描述为一个实验驱动的领域，并不断受到缺乏理论基础的批评。这个问题已经部分地被大量的文献解决了，这些文献至今没有被很好地组织起来。本文对深度学习理论的最新进展进行了综述和整理。

在许多实际应用中，获取足够的大规模标记数据以充分训练深度神经网络通常是困难和昂贵的。因此，将学习到的知识从一个单独的、标记过的源域转移到一个未标记或标记稀疏的目标域成为一种有吸引力的选择。

知识是理解世界的一种正式方式，为下一代人工智能(AI)提供人类水平的认知和智能。知识的表现形式之一是实体之间的结构关系。关系抽取(RE)是信息抽取的一个子任务，是自动获取这些重要知识的有效方法，在自然语言处理(NLP)中起着至关重要的作用。