[1] SLANG: Fast Structured Covariance Approximations for Bayesian Deep Learning with Natural Gradient Aaron Mishkin，Frederik Kunstner，Didrik Nielsen，Mark Schmidt，Mohammad Emtiyaz Khan University of British Columbia，Ecole Polytechnique Fédérale de Lausan…
[1] Memory Replay GANs: learning to generate images from new categories without forgetting Chenshen Wu, Luis Herranz, Xialei Liu, Yaxing Wang, Joost van de Weijer, Bogdan Raducanu Universitat Autònoma de Barcelona 之前，有学者利用序贯学习来解决判别式模型中的遗忘问题。这篇文章主…
[1] Unsupervised Video Object Segmentation for Deep Reinforcement Learning Vik Goel, Jameson Weng, Pascal Poupart University of Waterloo 这篇文章给出一种新的技术，该方法可以使得深度强化学习自动监测移动的物体，还可以利用相关信息来选择动作。对运动物体的监测是通过无监督方式实现了，其中利用了运动的结构信息。 该方法并不是直接从原始图像中学习策略，智能体首先利用视频序列中…
[1] On GANs and GMMs Eitan Richardson, Yair Weiss The Hebrew University of Jerusalem 在机器学习领域中，学者们一直在研究如何利用无监督方法来学习高维空间中的统计结构。近几年，学者们围绕GANs来解决这个问题，已经有学者利用GAN生成非常真实的高分辨率采样图像。 但是，GANs有一些问题，比如它会丢失一些模式，而不能对完整的分布进行建模，而且除了生成图像之外，GANs所学到的模型很难用于其它任务。 这篇文章主要将GANs…
[1] Task-Driven Convolutional Recurrent Models of the Visual System Aran Nayebi, Daniel Bear, Jonas Kubilius, Kohitij Kar, Surya Ganguli, David Sussillo, James J. DiCarlo, and Daniel L. K. Yamins Stanford University, MIT, KU Leuven, Google, Inc., Wu Tsai Neuro…
[1] Deep Reinforcement Learning in a Handful of Trials using Probabilistic Dynamics Models Kurtland Chua, Roberto Calandra, Rowan McAllister, Sergey Levine University of California, Berkeley 基于模型的强化学习算法通常能够得到不错的采样效率，但是从渐近性能角度来讲，这种方法的效果一般比不上不用模型的算法。尤其是针对…
[1] The streaming rollout of deep networks - towards fully model-parallel execution Volker Fischer, Jan Köhler, Thomas Pfeil Bosch Center for Artificial Intelligence 深层神经网络，尤其是循环网络，在控制与外界实时交互的自治体方面很有前景。然而，这需要将时序特征无缝地集成到网络结构中。针对循环神经网络，训练和推理时通常在时间上进行展开，但是…
[1] Unsupervised Attention-guided Image-to-Image Translation Youssef A. Mejjati, Christian Richardt, James Tompkin, Darren Cosker, Kwang In Kim University of Bath, Brown University 目前，无监督的图像到图像的转换方法一般集中在单个物体上，背景是不发生变化的，也不考虑场景中多个物体之间的交互。这篇文章基于人类感知的注意力，提出了一种无监督的…
[1] Step Size Matters in Deep Learning Kamil Nar, S. Shankar Sastry University of California, Berkeley 利用梯度下降算法训练神经网络时，能够得到离散的非线性的动态系统。此时，在训练过程中网络会收敛到不定的点，而不是固定的点，而且还依赖于初始状态。 在这些现象中，步长起到非常重要的作用。步长决定了局部最优解的子集，如果算法收敛到一个轨道上，步幅决定了在该轨道震动的幅度。为解释步长对神经网络的影响，作者们…
[1] Deep, complex, invertible networks for inversion of transmission effects in multimode optical fibres Oisín Moran, Piergiorgio Caramazza, Daniele Faccio, Roderick Murray-Smith University of Glasgow, University of Glasgow 这篇文章提出了一种基于复数域加权的深层网络，用于处理相干输…
