论文摘要：学习学习是使模型能够更有效，更有效地从数据中学习的强大范例。一种流行的元学习方法是训练一个循环模型，以将训练数据集作为输入并输出一个学习模型的参数，或者输出对新测试输入的预测。另外，一种新的元学习方法旨在获取可以通过标准梯度下降有效地微调到新任务的深度表示。在本文中，我们从通用性的角度考虑元学习问题，将学习算法近似的概念形式化，并将上述递归模型的表达能力与将梯度下降嵌入元学习器的最新方法进行比较。特别是，我们试图回答以下问题：深度表示与标准梯度下降相结合是否具有足够的能力来近似任何学习算法？我们发现，这确实是我们的实验，而且是进一步的实验，基于梯度的元学习始终能够导致与递归模型所代表的策略相比，具有更广泛的泛化学习策略。

什么是新的 2021年1月：自述文件已更新，其中包含有关如何使用我们最新版本的详细说明！ 2020年12月：我们正在迁移到更新版本，以获取更通用，更灵活和可扩展的代码。 有关更多信息，请参见下面的介绍！ 可以通过签出标签v0.1.0 ： git checkout v0.1.0来访问旧版本。 介绍 这是所谓的S3PRL一个开源工具包，其代表对于s elf-小号upervised小号peech P重新训练和R epresentation大号收入。 在该工具包中，可通过易于加载的设置获得各种上游自监督语音模型，并通过易于使用的脚本获得下游评估任务。 以下是此工具包如何为您提供帮助的直观说明： 查看我们支持的上游列表： 查看我们支持的下游列表： 随时在您的研究中使用或修改我们的工具包，任何错误报告或改进建议将不胜感激。 如有任何疑问，请。 如果您发现此工具包对您的研究有所帮助，请考虑引

近日，由清华大学人工智能研究院、北京智源人工智能研究院和清华-中国工程知识智能联合研究中心编写的《人工智能之表示学习》报告正式发布。该报告主要从概念、理论模型、领域人才、技术趋势等4个部分，介绍知识表示学习的技术发展和研究最新进展，并展望该技术的未来发展方向与前景。

表示学习全文翻译

AAAI 2019 Tutorial的图表示学习分享， William Hamilton 和加拿大蒙特利尔算法研究所的Jian Tang 跟大家交流了图表示学习的当前进展

主要是针对近年来火热的多模态机器学习，多模态深度学习，深度多模态表示学习相关的论文做的幻灯片演示，自己分享讲解时所用，分享给大家参考

2020年07月以来，KDD、ICML、ACL、IJCAI会议论文公布，本文特意整理了最新8篇关于知识图谱的论文，其作者分别来自Amazon、CMU、斯坦福 、Google等。值得大家一起来鉴赏学习。

中国中文信息学会发布《2018知识图谱发展报告》报告目录如下（文末附下载链接） 第一章 知识表示与建模 第二章 知识表示学习 第三章 实体识别与链接 第四章 实体关系学习 第五章 事件知识学习 第六章 知识存储与查询 第七章 知识推理 第八章 通用和领域知识图谱 第九章 语义集成 第十章 语义搜索 第十一章 基于知识的问答

双水平图神经网络 总览 此存储库包含用于药物相互作用预测的双层图神经网络的代码。 有关详细信息，请参阅我们的论文 用于药物相互作用预测的双层图神经网络。 白云生*，顾坚*，孙宜州，王伟。 ICML 2020图形表示学习及超越（GRL +）研讨会 。 模型 我们引入Bi-GNN建模生物链接预测任务，例如药物-药物相互作用（DDI）和蛋白质-蛋白质相互作用（PPI）。 以药物-药物相互作用为例，使用机器学习的现有方法要么仅利用药物之间的链接结构而不使用每个药物分子的图形表示，要么仅利用单个药物化合物的结构而不对高级DDI使用图形结构图形。 我们方法的关键思想是从根本上将数据视为双层图，其中最高

最近Shaoxiong Ji, Shirui Pan, Erik Cambria, Pekka Marttinen, Philip S. Yu等学者发表了关于知识图谱的最新综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》，25页pdf涵盖107篇参考文献，对知识图谱进行了全面的综述，涵盖了知识图谱表示学习、知识获取与补全、时序知识图谱、知识感知应用等方面的研究课题，并总结了最近的突破和未来的研究方向。我们提出对这些主题进行全视角分类和新的分类法。是关于知识图谱最近非常重要的参考文献。