Shu灬下雨天
Shu灬下雨天

ICLR2020国际会议精彩演讲抢先看（含源码）！！

来源：AINLPer微信公众号（点击了解一下吧）
编辑: ShuYini
校稿: ShuYini
时间: 2020-02-23

    2020年的ICLR会议将于今年的4月26日-4月30日在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。

    2020年ICLR会议（Eighth International Conference on Learning Representations）论文接受结果刚刚出来，今年的论文接受情况如下：poster-paper共523篇，Spotlight-paper（焦点论文）共107篇，演讲Talk共48篇，共计接受678篇文章，被拒论文（reject-paper）共计1907篇，接受率为：26.48%。

    下面是ICLR2020给出的今年演讲论文（accpt-talk），共计48篇，欢迎大家Ctrl+F进行搜索查看。

    关注 AINLPer ，回复：ICLR2020 获取会议全部列表PDF，其中一共有四个文件（2020-ICLR-accept-poster.pdf、2020-ICLR-accept-spotlight.pdf、2020-ICLR-accept-talk.pdf、2020-ICLR-reject.pdf）

CATER: A diagnostic dataset for Compositional Actions & TEmporal Reasoning
Author: Rohit Girdhar, Deva Ramanan
link: https://openreview.net/pdf?id=HJgzt2VKPB
Code: None
Abstract: 针对视频图像分析，本文构建了一个具有完全可观察和可控制的对象和场景偏差的视频数据集CATER，它是使用标准3D对象库进行综合渲染的，它测试了识别需要长期推理的对象运动组成的能力。除了具有挑战性的数据集外，CATER还提供了许多诊断工具，可以通过完全可观察和可控制的方式来分析现代时空视频架构。使用CATER，可以洞悉某些最新的深度视频体系结构。

BackPACK: Packing more into Backprop
Author: Felix Dangel, Frederik Kunstner, Philipp Hennig
link: https://openreview.net/pdf?id=BJlrF24twB
Code: https://toiaydcdyywlhzvlob.github.io/backpack/
Abstract: 自动区分框架仅针对一件事进行了优化：计算平均小批量梯度。但从理论上讲，它可以高效地计算其他量，例如小批量梯度的方差或对Hessian的许多近似值。为此本文引入了BackPACK，这是一种基于PyTorch的高效框架，该框架扩展了反向传播算法，可以从一阶和二阶导数中提取其他信息。

GenDICE: Generalized Offline Estimation of Stationary Values
Author: Ruiyi Zhang, Bo Dai, Lihong Li, Dale Schuurmans
link: https://openreview.net/pdf?id=HkxlcnVFwB
Code: None
Abstract:
Keyword: 在强化学习和蒙特卡洛方法中出现的一个重要问题是估计由马尔可夫链的平稳分布定义的数量。在许多实际应用程序中，对基础转换运算符的访问仅限于已收集的固定数据集，而无需与环境进行其他交互。本文表明在这种情况下一致的估计仍然是可能的，并且在重要的应用程序中仍然可以实现有效的估计。本文的方法基于以下估计：从静态分布的基本属性推导得出的比例，该比例可校正静态分布和经验分布之间的差异，并利用基于变分散度最小化的约束重新公式化。生成的算法GenDICE简单有效。

Principled Weight Initialization for Hypernetworks
Author: Oscar Chang, Lampros Flokas, Hod Lipson
link: https://openreview.net/pdf?id=H1lma24tPB
Code: None
Abstract: 超网络是元神经网络，它以端到端的可微分方式为主神经网络生成权重。 尽管有从多任务学习到贝叶斯深度学习的广泛应用，但迄今为止尚未研究优化超网络的问题。本文开发了用于超网中权重初始化的原理技术，并表明它们可导致更稳定的主网权重，更低的训练损失和更快的收敛速度。

On the Convergence of FedAvg on Non-IID Data
Author: Xiang Li, Kaixuan Huang, Wenhao Yang, Shusen Wang, Zhihua Zhang
link: https://openreview.net/pdf?id=HJxNAnVtDS
Code: https://github.com/lx10077/fedavgpy
Abstract: 联合学习使大量边缘计算设备无需数据共享即可共同学习模型。作为此设置中的一种领先算法，联合平均在总设备的一小部分上并行运行随机梯度下降（SGD），并且偶尔仅对序列进行一次平均。尽管它很简单，但在现实环境下缺乏理论上的保证。在本文中，我们分析了非文本数据上联合平均的收敛性，并针对强凸和光滑问题建立了收敛速度。重要的是，我们的bound表明了通信效率和收敛速度之间的权衡。

Data-dependent Gaussian Prior Objective for Language Generation
Author: Zuchao Li, Rui Wang, Kehai Chen, Masso Utiyama, Eiichiro Sumita, Zhuosheng Zhang, Hai Zhao
link: https://openreview.net/pdf?id=S1efxTVYDr
Code: https://drive.google.com/file/d/1q8PqhF9eOLOHOcOCGVKXtA_OlP6qq2mn
Abstract: 针对语言生成之类的典型序列预测问题，MLE专注于预测序列与黄金标准之间的一次全部匹配，因此将所有不正确的预测都视为同样不正确。在本文中，将所有不正确的预测均等地对待会不公平地淡化这些序列的详细令牌方式结构的细微差别。为了解决这个问题，这里通过引入额外的Kullback-Leibler发散项来增加MLE损失，该项通过比较数据相关的高斯先验和详细的训练预测而得出。所提出的数据相关的高斯先验目标（D2GPo）是根据令牌的先验拓扑顺序定义的，与通常在平滑MLE训练中采用的数据无关的高斯先验（L2正则化）相距甚远。实验结果表明，该方法有效地利用了数据中更详细的先验信息，并且在典型的语言生成任务（包括有监督和无监督的机器翻译，文本摘要，讲故事和图像字幕）中提高了性能。

Contrastive Learning of Structured World Models
Author: Thomas Kipf, Elise van der Pol, Max Welling
link: https://openreview.net/pdf?id=H1gax6VtDB
Code: https://github.com/tkipf/c-swm
Abstract: 本文引入了对比训练的结构化世界模型（C-SWM）。 C-SWM利用对比方法在具有组成结构的环境中进行表示学习。我们将每个状态嵌入构造为一组对象表示及其关系，并通过图神经网络进行建模。我们在包含多个交互对象的合成环境上评估C-SWM，并且这些交互对象可以由代理，简单的Atari游戏和多对象物理模拟进行独立操作。我们的实验表明，C-SWM可以克服基于像素重构的模型的局限性，并在高度结构化的环境中胜过此类模型的典型代表，同时学习可解释的基于对象的表示形式。

Neural Network Branching for Neural Network Verification **
Author: Jingyue Lu, M. Pawan Kumar
link: https://openreview.net/pdf?id=B1evfa4tPB
Code: None
Abstract: 为了实现对神经网络的部署验证，我们提出了一个新颖的框架，用于设计BaB的有效分支策略**。具体来说，我们学习图神经网络（GNN）来模仿强分支启发式行为。我们的框架与以前的学习分支方法不同，主要有两个方面。首先，我们的框架将要验证的神经网络直接视为GNN的图形输入。其次，我们制定了直观的向前和向后嵌入更新时间表。此外，我们证明了我们的GNN模型具有水平和垂直转移能力。在水平方向上，经过简单属性训练的模型在难度级别增加的属性上表现良好。垂直而言，在小型神经网络上训练的模型在大型神经网络上实现了相似的性能。

Why Gradient Clipping Accelerates Training: A Theoretical Justification for Adaptivity
Author: Jingzhao Zhang, Tianxing He, Suvrit Sra, Ali Jadbabaie
link: https://openreview.net/pdf?id=BJgnXpVYwS
Code: https://github.com/JingzhaoZhang/why-clipping-accelerates
Abstract: 本文提供了梯度裁剪在训练深度神经网络中的有效性的理论解释。关键因素是从实际的神经网络训练示例中得出的新的平滑度条件。之前的一些算法主要依赖于平滑度的固定界限。这些观察促使我们引入一种新的梯度平滑度松弛，该松弛度比常用的Lipschitz平滑度假设弱。在新的条件下，我们证明了梯度剪切和归一化梯度这两种流行的方法比固定步长的梯度下降任意收敛更快。我们进一步解释了为什么这样的自适应缩放梯度方法可以加速经验收敛，并在流行的神经网络训练环境中凭经验验证我们的结果。

Posterior sampling for multi-agent reinforcement learning: solving extensive games with imperfect information
Author: Yichi Zhou, Jialian Li, Jun Zhu
link: https://openreview.net/pdf?id=Syg-ET4FPS
Code: None
Abstract: 尽管强化学习的后验采样（PSRL）在单主体强化学习问题上表现良好，但是如何将PSRL应用于多主体强化学习问题却尚未得到研究。 在这项工作中，我们将PSRL扩展到具有不完善信息（TEGI）的两人零和博弈，这是一类多代理系统。 更具体地说，我们将PSRL与反事实后悔最小化（CFR）结合使用，后者是TEGI在已知环境下的领先算法。

Mogrifier LSTM
Author: Gábor Melis, Tomáš Kočiský, Phil Blunsom
link: https://openreview.net/pdf?id=SJe5P6EYvS
Code: None
Abstract: 自然语言处理循环网络已经取得了一定的成功，但仍然缺乏建模语言最终所需的概括性和系统性，为此本文提出了对古老的长期短期记忆的扩展，其形式是当前输入和先前输出的相互选通。这种机制提供了对输入及其上下文之间交互的更丰富空间的建模。等效地，我们的模型可以看作是使LSTM上下文给定的转换函数相关。实验表明，除了Enwik8之外，我们在所有数据集上都建立了新的技术水平，这消除了LSTM和Transformer模型之间的巨大空白。

Learning Hierarchical Discrete Linguistic Units from Visually-Grounded Speech
Author: David Harwath, Wei-Ning Hsu, James Glass
link: https://openreview.net/pdf?id=B1elCp4KwH
Code: None
Abstract: 在本文中，我们提出了一种通过将矢量量化层合并到视听语音的神经模型中来学习离散语言单元的方法。我们证明了我们的方法能够捕获单词级和子单词单元，具体取决于其配置方式。本文与语音单元学习先前工作的区别在于训练目标的选择。而不是使用基于重建的损失，我们使用判别性的多峰接地物镜，该物镜强制学习的单元对于语义图像检索很有用。我们评估了ZeroSpeech 2019挑战赛的子单词单位，与表现最好的提交相比，ABX错误率降低了27.3％，同时保持比特率大致相同。

Mirror-Generative Neural Machine Translation
Author: Zaixiang Zheng, Hao Zhou, Shujian Huang, Lei Li, Xin-Yu Dai, Jiajun Chen
link: https://openreview.net/pdf?id=HkxQRTNYPH
Code: None
Abstract: 训练神经机器翻译模型（NMT）需要大量的并行语料库，这对于许多语言对来说都是稀缺的。 在本文中，我们提出了镜像生成NMT（MGNMT），它是一个单一的统一体系结构，该体系结构同时集成了源到目标翻译模型，目标到源翻译模型以及两种语言模型。 翻译模型和语言模型都共享相同的潜在语义空间，因此两个翻译方向都可以更有效地从非并行数据中学习。

Cyclical Stochastic Gradient MCMC for Bayesian Deep Learning
Author: Ruqi Zhang, Chunyuan Li, Jianyi Zhang, Changyou Chen, Andrew Gordon Wilson
link: https://openreview.net/pdf?id=rkeS1RVtPS
Code: None
Abstract: 神经网络权重的后验是高维和多峰的。 每种模式通常表征数据的有意义的不同表示。 我们开发了周期性随机梯度MCMC（SG-MCMC）以自动探索此类分布。 特别是，我们提出了一个周期性的步长调度表，其中较大的步长会发现新的模式，而较小的步长会表征每种模式。 我们证明了所提出算法的非渐近收敛理论。 此外，我们提供了包括ImageNet在内的广泛实验结果，以证明循环SG-MCMC在学习复杂的多峰分布中的有效性，特别是对于利用现代深度神经网络进行的完全贝叶斯推理而言。

Your classifier is secretly an energy based model and you should treat it like one
Author: Will Grathwohl, Kuan-Chieh Wang, Joern-Henrik Jacobsen, David Duvenaud, Mohammad Norouzi, Kevin Swersky
link: https://openreview.net/pdf?id=Hkxzx0NtDB
Code: https://wgrathwohl.github.io/JEM/
Abstract: 本文提出将p（y | x）的标准判别分类器重新解释为联合分布p（x，y）的基于能量的模型。 在此设置下，我们改进了最近提出的用于扩展基于能量的模型训练的技术，并提出了一种与标准分类训练相比几乎不增加开销的方法。 我们的方法是第一个在一个混合模型中在生成性学习和判别性学习上达到与最新技术相媲美的性能的方法。

Dynamics-Aware Unsupervised Skill Discovery
Author: Archit Sharma, Shixiang Gu, Sergey Levine, Vikash Kumar, Karol Hausman
link: https://openreview.net/pdf?id=HJgLZR4KvH
Code: None
Abstract: 传统上，基于模型的强化学习（MBRL）旨在学习环境动力学的全局模型。要为复杂的动力学系统学习准确的模型仍然很困难。在本文中，我们将基于模型的学习与对原语的无模型学习结合在一起，从而简化了基于模型的计划。从理论上讲，我们的方法可以利用连续的技能空间，即使对于高维状态空间，我们也可以无限学习许多行为。我们证明，在学习的潜在空间中的零散规划显着优于标准MBRL和无模型目标条件的RL，可以处理稀疏奖励任务，并大大改善了用于无监督技能发现的现有分层RL方法。

Optimal Strategies Against Generative Attacks
Author: Roy Mor, Erez Peterfreund, Matan Gavish, Amir Globerson
link: https://openreview.net/pdf?id=BkgzMCVtPB
Code: https://github.com/roymor1/OptimalStrategiesAgainstGenerativeAttacks
Abstract:生成神经模型（NLG）最近得到了极大的改进。随着这一进展，存在这样的风险，即这种模型将用于攻击依赖于传感器数据进行身份验证和异常检测的系统。许多这样的学习系统已在全球范围内安装，以保护关键基础架构或私有数据免受故障和网络攻击。我们拟定了一种面向生成假冒攻击的身份验证系统的方案，从理论角度对其进行表征，并探讨其实际意义。将问题视作极大值博弈，针对一般情况下的攻击者和身份验证者描述最优策略，并针对高斯源分布情况以封闭形式提供最优策略。基于这些见解，我们设计了实用的学习方法，并表明它们所产生的模型对于针对现实世界数据的各种攻击具有更强的鲁棒性。

GraphZoom: A Multi-level Spectral Approach for Accurate and Scalable Graph Embedding
Author: Chenhui Deng, Zhiqiang Zhao, Yongyu Wang, Zhiru Zhang, Zhuo Feng
link: https://openreview.net/pdf?id=r1lGO0EKDH
Code: https://github.com/cornell-zhang/GraphZoom
Abstract:现有的图形嵌入模型或者在训练期间不能合并节点属性信息，或者遭受节点属性噪声的困扰，这损害了准确性。此外，由于它们的高计算复杂性和内存使用量，它们中的极少数可以缩放到大图。在本文中，我们提出了GraphZoom，这是一种用于提高无监督图嵌入算法的准确性和可伸缩性的多层框架。 实验表明，与最新的无监督嵌入方法相比，GraphZoom可以显着提高分类精度，并显着加速整个图形嵌入过程。

Harnessing Structures for Value-Based Planning and Reinforcement Learning
Author: Yuzhe Yang, Guo Zhang, Zhi Xu, Dina Katabi
link: https://openreview.net/pdf?id=rklHqRVKvH
Code: https://github.com/YyzHarry/SV-RL
Abstract: 基于价值的方法构成了计划和深度强化学习（RL）的基本方法。在本文中，我们提出为计划和深度RL开发状态作用值函数（即Q函数）的基础结构。我们在控制和深度RL任务的上下文中凭经验验证了低秩Q函数的存在。通过利用矩阵估计（ME）技术，我们提出了一个通用框架来利用Q函数中的底层低秩结构。这导致经典控制的计划程序效率更高，此外，可以将简单方案应用于基于值的RL技术，以在“低级”任务上始终获得更好的性能。关于控制任务和Atari游戏的大量实验证实了我们方法的有效性。

Comparing Fine-tuning and Rewinding in Neural Network Pruning
Author: Alex Renda, Jonathan Frankle, Michael Carbin
link: https://openreview.net/pdf?id=S1gSj0NKvB
Code: https://github.com/comparing-rewinding-finetuning/code
Abstract: 神经网络修剪是一种流行的技术，可以通过从网络中删除连接，神经元或其他结构来降低推理成本。在本文中，我们探索了一种微调方法：倒带。与其继续训练所得的修剪后的网络（微调），不如将剩余的权重从训练初期的值倒回到它们的值，然后对原始训练过程的其余部分进行训练。我们发现该程序改变了Frankle等人提出的寻找彩票的策略。在给定目标精度的前提下，将权重倒数到合适的程度，可以对网络进行进一步的修剪，而不是通过微调来修剪网络。我们还发现，与在所有测试网络中进行微调相比，有许多合适的倒带点可实现更高的精度。基于这些结果，我们认为从业者应该探索重绕作为神经网络修剪微调的替代方法。

Meta-Q-Learning
Author: Rasool Fakoor, Pratik Chaudhari, Stefano Soatto, Alexander J. Smola
link: https://openreview.net/pdf?id=SJeD3CEFPH
Code: None
Abstract: 本文介绍了Meta-Q-Learning（MQL），这是一种用于元强化学习（meta-RL）的新的非策略算法。 MQL基于三个简单的想法。 首先，我们表明，如果可以访问表示过去轨迹的上下文变量，则Q学习与最新的元RL算法相比具有竞争优势。 其次，在训练任务中最大化平均奖励的多任务目标是对RL策略进行元训练的有效方法。 第三，可以从元训练重播缓冲区中回收过去的数据，以使用非策略更新来适应新任务的策略。 MQL借鉴了倾向估计中的想法，从而扩大了可用于适应的可用数据量。 在标准连续控制基准上进行的实验表明，MQL与meta-RL中的最新技术相比具有优势。

Mathematical Reasoning in Latent Space
Author: Dennis Lee, Christian Szegedy, Markus Rabe, Sarah Loos, Kshitij Bansal
link: https://openreview.net/pdf?id=Ske31kBtPr
Code: None
Abstract: 本文设计并进行了一个简单的实验，以研究神经网络是否可以在固定维度的潜在空间中执行近似推理的多个步骤。可以成功地对语句执行的一组重写（即转换）表示该语句的基本语义特征。我们可以通过将公式嵌入向量空间中来压缩此信息，以便与语句关联的向量可用于预测语句是否可以被其他定理重写。预测由某个重写规则生成的公式的嵌入自然被视为潜在空间中的近似推理。为了衡量这种推理的有效性，我们在潜在空间中执行了近似的演绎序列，并使用所得的嵌入通知相应形式声明的语义特征（这是通过使用实式执行相应的重写序列而获得的）。我们的实验表明，图神经网络可以对语句的重写成功做出非平凡的预测，即使它们将预测的潜在表示传播了多个步骤也是如此。由于我们的数学公式集涵盖了各种各样的数学学科，因此该实验通常可以推断出潜在空间的推论的可行性。

A Theory of Usable Information under Computational Constraints
Author: Yilun Xu, Shengjia Zhao, Jiaming Song, Russell Stewart, Stefano Ermon
link: https://openreview.net/pdf?id=r1eBeyHFDH
Code: None
Abstract: 我们提出了一个用于推理复杂系统中信息的新框架。本框架基于Shannon信息理论的变体扩展，其中考虑了观察者的建模能力和计算约束。所得的预测信息包含相互信息和其他信息性概念，例如确定系数。与Shannon的相互信息不同，并且不违反数据处理不平等的情况，可以通过计算来创建信息。这与深度神经网络在表示学习中提取具有更多信息特征的层次结构相一致。此外，我们表明，通过合并计算约束，即使使用PAC样式的保证，即使在高维中，也可以从数据可靠地估计V信息。从经验上，我们证明预测性V信息比相互信息对结构学习和公平表示学习更有效。

Geometric Analysis of Nonconvex Optimization Landscapes for Overcomplete Learning
Author: Qing Qu, Yuexiang Zhai, Xiao Li, Yuqian Zhang, Zhihui Zhu
link: https://openreview.net/pdf?id=rygixkHKDH
Code: None
Abstract: 学习过完备的表示法会在机器学习和数据分析中找到许多应用。 本文为几个重要的表示学习问题提供了新的理论见解：学习（i）稀疏使用的不完全词典和（ii）卷积词典。 我们将这些问题公式化为球面上的范数优化问题，并研究其非凸优化景观的几何性质。 对于这两个问题，我们表明非凸目标具有良性（全局）几何结构，这使开发能够找到目标解决方案的有效优化方法成为可能。 最后，我们的理论结果通过数值模拟得到了证明。

Deep Batch Active Learning by Diverse, Uncertain Gradient Lower Bounds
Author: Jordan T. Ash, Chicheng Zhang, Akshay Krishnamurthy, John Langford, Alekh Agarwal
link: https://openreview.net/pdf?id=ryghZJBKPS
Code: None
Abstract: 我们使用深度神经网络模型设计了一种用于批处理主动学习的新算法。 我们的算法是通过多样梯度嵌入（BADGE）进行批处理主动学习，对在hallucinated梯度空间中表示的离散和高幅值的点进行采样，该策略旨在将预测不确定性和样本多样性纳入每个选定的批处理中。 至关重要的是，BADGE可以在多样性和不确定性之间进行权衡，而无需任何手动调整的超参数。

Understanding and Robustifying Differentiable Architecture Search
Author: Arber Zela, Thomas Elsken, Tonmoy Saikia, Yassine Marrakchi, Thomas Brox, Frank Hutter
link: https://openreview.net/pdf?id=H1gDNyrKDS
Code: https://github.com/automl/RobustDARTS
Abstract: 由于可简化架构搜索（DARTS）的简单性以及通过不断放松和近似得出的双层优化问题而获得的少量搜索成本，因此吸引了很多关注。但是，DARTS对于新问题并不能很好地发挥作用：我们确定了广泛的搜索空间，DARTS可以针对这些搜索空间生成简陋的架构，并且测试性能非常差。我们研究了这种故障模式，并表明，尽管DARTS成功地将验证损失最小化，但当发现的解决方案与架构空间中的高验证损失曲率相吻合时，发现的解决方案的推广效果很差。我们表明，通过添加各种类型的正则化之一，我们可以使DARTS鲁棒化，以找到曲率较小且泛化性能更好的解决方案。基于这些观察，我们提出了DARTS的几种简单变体，它们在实践中表现得更加强大。

A Closer Look at Deep Policy Gradients
Author: Andrew Ilyas, Logan Engstrom, Shibani Santurkar, Dimitris Tsipras, Firdaus Janoos, Larry Rudolph, Aleksander Madry
link: https://openreview.net/pdf?id=ryxdEkHtPS
Code: None
Abstract: 我们研究深度策略梯度算法的行为如何反映激励其发展的概念框架。 为此，我们基于该框架的关键元素（梯度估计，值预测和优化环境）提出了一种最新技术的细粒度分析。 我们的结果表明，深层策略梯度算法的行为通常会偏离其激励框架的预测：替代奖励与真实奖励格局不符，学习的价值估算器无法满足真实价值函数，并且梯度估算与“ 真”渐变。 我们发现的预测行为和经验行为之间的不匹配，凸显了我们对当前方法的理解不足，并表明需要超越当前以基准为中心的评估方法。

Implementation Matters in Deep RL: A Case Study on PPO and TRPO
Author: Logan Engstrom, Andrew Ilyas, Shibani Santurkar, Dimitris Tsipras, Firdaus Janoos, Larry Rudolph, Aleksander Madry
link: https://openreview.net/pdf?id=r1etN1rtPB
Code: https://github.com/implementation-matters/code-for-paper
Abstract: 通过对两个流行算法（近端策略优化和信任区域策略优化）的案例研究，研究了深度策略梯度算法中算法进步的根源。 我们研究“代码级优化”的后果：仅在实现中发现或被描述为核心算法的辅助细节的算法增强。 似乎次要的是，此类优化对代理行为具有重大影响。 我们的结果表明，他们（a）负责PPO积累的大部分收益超过TRPO，并且（b）从根本上改变RL方法的功能。 这些见解表明了在深度强化学习中归因于绩效提升的困难和重要性。

Fast Task Inference with Variational Intrinsic Successor Features
Author: Steven Hansen, Will Dabney, Andre Barreto, David Warde-Farley, Tom Van de Wiele, Volodymyr Mnih
link: https://openreview.net/pdf?id=BJeAHkrYDS
Code: None
Abstract: 已经确定，可以通过奖励与其他策略可区分的策略来训练跨越马尔可夫决策过程的可控子空间的各种行为。但是，这种表述的一个局限性是难以推广到超出明确学习的有限行为集的范围，这在后续任务中可能是必需的。后继特征为该泛化问题提供了一种有吸引力的解决方案，但需要在某些基础特征空间中将奖励函数定义为线性。在本文中，我们表明可以将这两种技术结合起来，并且每种方法都可以解决彼此的主要局限性。为此，我们引入了变种内在后继特征（VISR），这是一种新颖的算法，可学习可控特征，可通过后继特征框架利用可控特征来提供增强的泛化能力和快速的任务推断。我们以新颖的设置对整个Atari套件上的VISR进行了经验验证，其中的奖励仅是在漫长的无人监督阶段之后才短暂暴露出来的。我们相信，在12场比赛中达到人类水平的表现并超过所有基准时，我们认为VISR代表了朝着能够从有限的反馈中快速学习的代理商迈出的一步。

Learning to Balance: Bayesian Meta-Learning for Imbalanced and Out-of-distribution Tasks
Author: Hae Beom Lee, Hayeon Lee, Donghyun Na, Saehoon Kim, Minseop Park, Eunho Yang, Sung Ju Hwang
link: https://openreview.net/pdf?id=rkeZIJBYvr
Code: https://github.com/haebeom-lee/l2b
Abstract: 虽然在现实环境中，任务的实例和类的数量可能会发生变化，但是现有的元学习方法用于少镜头分类时，假设每个任务和类的实例数量是固定的。由于这样的限制，即使每个任务和类的实例数量有很大差异，他们也要学习在所有任务之间平等地利用元知识。此外，他们没有考虑看不见的任务的分配差异，而元知识的有用性取决于任务的关联性。为了克服这些局限性，我们提出了一个新的元学习模型，自适应地平衡元学习和任务特定学习在每个任务中的效果。通过对平衡变量的学习，我们可以决定是依靠元知识还是任务特定学习来获得解决方案。我们将这个目标用一个贝叶斯推理框架来表示，并使用变分推理来解决它。我们在两个现实的任务和类不平衡的数据集上验证了我们的贝叶斯任务自适应元学习(Bayesian TAML)，该方法在这两个数据集上显著优于现有的元学习方法。进一步的消融研究证实了各平衡分量和贝叶斯学习框架的有效性。

RNA Secondary Structure Prediction By Learning Unrolled Algorithms
Author: Xinshi Chen, Yu Li, Ramzan Umarov, Xin Gao, Le Song
link: https://openreview.net/pdf?id=S1eALyrYDH
Code: https://github.com/ml4bio/e2efold
Abstract: 在这篇论文中，我们提出了一个端到端的深度学习模型，称为e2，用于RNA二级结构预测，它可以有效地考虑到问题的内在约束。E2Efold的关键思想是直接预测RNA碱基配对矩阵，并使用约束编程的展开算法作为深入体系结构的模板来实施约束。通过对基准数据集的综合实验，我们证明了E2Efold的优越性能:与以前的SOTA相比，它可以显著地预测更好的结构(特别是对于伪打结结构)，同时在推理时间方面与最快的算法一样高效。

Watch the Unobserved: A Simple Approach to Parallelizing Monte Carlo Tree Search
Author: Anji Liu, Jianshu Chen, Mingze Yu, Yu Zhai, Xuewen Zhou, Ji Liu
link: https://openreview.net/pdf?id=BJlQtJSKDB
Code: None
Abstract: 蒙特卡罗树搜索(MCTS)算法在许多具有挑战性的基准测试(如计算机围棋)上取得了巨大的成功。然而，它们通常需要大量的滚动，这使得它们的应用程序非常昂贵。此外，由于MCTS的固有的顺序性，并行化MCTS也极具挑战性:每次推出都严重依赖于从以前的模拟中估计的统计数据(例如节点访问计数)来实现有效的探索-利用权衡。尽管有这些困难，我们开发了一个算法，WU-UCT，以有效地并行化MCTS，实现线性加速，并显示有限的性能损失与越来越多的工人。WU-UCT的关键思想是引入一组统计数据来跟踪进行中但不完整的模拟查询(称为未观察样本)的数量。当我们并行化最耗时的扩展和模拟步骤时，这些统计数据被用来以有原则的方式修改选择步骤中的UCT树策略，以保留有效的探索-利用权衡。在专用基准测试和雅达利游戏基准测试上的实验表明，与现有技术相比，WU-UCT具有线性加速和优越的性能。

Target-Embedding Autoencoders for Supervised Representation Learning
Author: Daniel Jarrett, Mihaela van der Schaar
link: https://openreview.net/pdf?id=BygXFkSYDH
Code: None
Abstract: 基于自编码的学习已经成为在无监督和半监督环境下训练表征的主要手段。本文分析了在纯监督环境下，目标空间是高维的情况下，改进泛化的一个框架。我们激励和形式化的一般框架目标接入autoencoders(茶)监督预测,学习中间潜伏表示共同优化既可预测的特性以及预测的目标——编码之前,目标的变化是由一组简洁的潜在因素。作为我们的理论贡献，我们通过展示一致的稳定性，将辅助重建任务的好处解释为正则化的一种形式，为线性茶叶的泛化提供了保证。作为我们的经验贡献，我们将该方法的验证从现有的静态分类应用扩展到多元序列预测，验证了它们在线性和非线性递归架构上的优势——从而强调了该框架在前馈实例化之外的进一步通用性。

Reformer: The Efficient Transformer
Author: Nikita Kitaev, Lukasz Kaiser, Anselm Levskaya
link: https://openreview.net/pdf?id=rkgNKkHtvB
Code: https://github.com/google/trax/tree/master/trax/models/reformer
Abstract: 大型Transform模型通常可以达到最先进的结果有很多任务，但训练这些模型的成本可能高得令人望而却步，特别是长序列。我们介绍两种技术来改进Transform的效率。其一，我们取代了对网络产品的关注一个使用位置敏感的哈希，改变了它的复杂性
从O(L^2)到O(L /log L)，其中L是序列的长度。此外，我们使用可逆剩余层代替标准残差，只允许在训练中存储激活一次处理而不是N次，其中N是层数。得到的模型，其性能与Transform模型相当同时在长序列上存储效率更高，速度更快。

Rotation-invariant clustering of neuronal responses in primary visual cortex
Author: Ivan Ustyuzhaninov, Santiago A. Cadena, Emmanouil Froudarakis, Paul G. Fahey, Edgar Y. Walker, Erick Cobos, Jacob Reimer, Fabian H. Sinz, Andreas S. Tolias, Matthias Bethge, Alexander S. Ecker
link: https://openreview.net/pdf?id=rklr9kHFDB
Code: None
Abstract: 类似于卷积神经网络(CNN)，哺乳动物的视网膜将视觉信息编码成几十个非线性特征图，每个特征图由一种神经节细胞类型构成，神经节细胞类型以一种近似平移等变的方式平铺视觉空间。这种形成不同细胞类型的组织是否维持在皮层图像处理的水平是一个悬而未决的问题。建立在卷积特征上的预测模型已经被证明提供了最先进的性能，并且最近被扩展到包括旋转等方差，以考虑V1神经元的定向选择性。然而，在这些模型中，CNN feature maps与单个神经元群之间通常没有直接的对应关系，因此V1神经元是否形成不同的功能簇还是一个悬而未决的问题。在此，我们建立了基于cnn的V1模型的旋转等变表示，并提出了一种方法来聚类该模型中神经元的表示，以找到与神经元的首选方向无关的功能细胞类型。我们将此方法应用于6000个神经元的数据集，并将结果簇的首选刺激可视化。我们的结果突出了鼠标V1中非线性计算的范围。

Causal Discovery with Reinforcement Learning
Author: Shengyu Zhu, Ignavier Ng, Zhitang Chen
link: https://openreview.net/pdf?id=S1g2skStPB
Code: None
Abstract: 发现一组变量之间的因果结构是许多经验科学中的一个基本问题。传统的基于分数的临时发现方法依赖于各种局部启发，根据预定义的分数函数搜索有向无环图(DAG)。虽然这些方法，如贪心等价搜索，对于无限样本和一定的模型假设，可能会得到有吸引力的结果，但在实践中，由于数据有限，且可能违反假设，这些方法并不太令人满意。基于神经组合优化的最新进展，我们建议使用强化学习(RL)来寻找得分最高的DAG。该模型以可观测数据为输入，生成用于计算奖励的图邻接矩阵。该奖励包含了预先定义的分数函数和两个强制不对称的惩罚条件。与典型的以学习策略为目标的RL应用程序相比，我们使用RL作为搜索策略，我们的最终输出将是图，在训练期间生成的所有图中，它将获得最好的回报。我们对合成数据集和真实数据集进行了实验，结果表明，该方法不仅具有较强的搜索能力，而且在无环度约束下具有较强的灵活性。

Intrinsically Motivated Discovery of Diverse Patterns in Self-Organizing Systems
Author: Chris Reinke, Mayalen Etcheverry, Pierre-Yves Oudeyer
link: https://openreview.net/pdf?id=rkg6sJHYDr
Code: https://automated-discovery.github.io/
Abstract: 在许多复杂的动态系统中，无论是人工的还是自然的，人们都可以观察到从局部规则中出现的模式的自组织。细胞自动机和生命游戏(GOL)一样，被广泛用作抽象模型，用于研究自组织和形态形成的各个方面，如空间局域模式的出现。然而，自组织模式在这些模型中的发现到目前为止都依赖于参数和初始状态的手动调优，以及用肉眼来识别有趣的模式。在这篇论文中，我们阐述了在这样的高维复杂动力系统中各种自组织模式的自动发现问题，以及一个用于实验和评估的框架。使用一个连续的GOL作为测试平台，我们表明，最近的内在动机的机器学习算法(POP-IMGEPs)，最初是为学习机器人逆模型而开发的，可以被调换并用于这个新的应用领域。这些算法结合了内在动机的目标探索和目标空间表示的无监督学习。目标空间表示描述了模式的有趣特性，应该发现模式的各种变化。特别是，我们从发现不同的空间本地化模式的角度，比较了定义和学习目标空间表示的各种方法。此外，我们还介绍了最先进的POP-IMGEP算法的扩展，该算法使用深度自动编码器逐步学习目标表示，并使用CPPN原语生成初始化参数。我们证明了它比几个基线更有效，并且作为一个在由人类专家识别的手工模式数据库上预先训练的系统，它的效率是一样的。

Restricting the Flow: Information Bottlenecks for Attribution
Author: Karl Schulz, Leon Sixt, Federico Tombari, Tim Landgraf
link: https://openreview.net/pdf?id=S1xWh1rYwB
Code: https://github.com/BioroboticsLab/IBA-paper-code
Abstract: 归因方法为人工神经网络等机器学习模型的决策提供了洞察。对于给定的输入样本，它们为每个单独的输入变量(如图像的像素)分配一个相关分数。在这项工作中，我们采用信息瓶颈的概念进行归因。通过在中间特征图中加入噪声，我们限制了信息的流动，并且可以量化(以比特为单位)图像区域提供了多少信息。我们使用VGG-16和ResNet-50上的三个不同指标，将我们的方法与10个基线进行比较，发现我们的方法在6个设置中有5个优于所有基线。该方法的信息理论基础为属性值(bits)提供了一个绝对的参考框架，并保证得分接近零的区域对于网络的决策是不必要的。

Building Deep Equivariant Capsule Networks
Author: Sai Raam Venkataraman, S. Balasubramanian, R. Raghunatha Sarma
link: https://openreview.net/pdf?id=BJgNJgSFPS
Code: https://github.com/AnonymousCapsuleSOVNET/SOVNET
Abstract: 胶囊网络受到其层的参数昂贵性和普遍缺乏可证明的等方差保证的限制。我们提出了一个胶囊网络的变种，旨在弥补这一点。我们发现，学习连续层的胶囊之间所有成对的部分-整体关系是低效的。此外，我们也认识到预测网络的选择和路由机制都是等方差的关键。在此基础上，我们提出了一种可选的胶囊网络框架，该框架可以学习对每一层的每个胶囊类型的位置变化(称为变异空间)进行投影编码。这是通过使用一个可训练的等变函数来完成的，该函数定义在一个组变换的网格上。因此，路由的预测阶段包括使用相应的函数将数据投影到更深的胶囊的SOV中。作为这一思想的一个具体实例，同时也是为了获得增加参数共享的好处，我们在这个阶段使用了浅胶囊的类型同构组等变卷积。提出了一种基于度中心性的等变路由机制。我们证明了一般模型的这个特殊实例是等变的，因此在变换下保持了输入的成分表示。我们在标准的对象分类数据集上进行了几次实验，这些数据集展示了我们的模型向几个胶囊基线增强的转换鲁棒性和一般性能。

A Generalized Training Approach for Multiagent Learning
Author: Paul Muller, Shayegan Omidshafiei, Mark Rowland, Karl Tuyls, Julien Perolat, Siqi Liu, Daniel Hennes, Luke Marris, Marc Lanctot, Edward Hughes, Zhe Wang, Guy Lever, Nicolas Heess, Thore Graepel, Remi Munos
link: https://openreview.net/pdf?id=Bkl5kxrKDr
Code: None
Abstract: 本文研究了一种基于博弈论原理的基于群体的训练机制——策略间隔反应神谕(PSRO)。PSRO是通用的，因为它(1)包含了一些众所周知的算法，如作为特殊情况的虚拟游戏和双oracle，(2)原则上适用于一般和、多人游戏。尽管如此，先前对PSRO的研究主要集中在两方零和博弈上，这是一种纳什均衡可追踪计算的机制。从二人零和博弈过渡到更一般的情形，纳什均衡的计算很快变得不可行的。这里,我们延长PSRO的理论基础,通过考虑一个替代解决方案的概念,α-Rank,这是独一无二的(因此面临不平衡选择问题,不像纳什),容易适用于general-sum many-player设置。我们建立收敛担保在几个游戏类和识别纳什均衡和α-Rank之间的联系。我们将演示的竞争性能α-Rank-based PSRO反对一个精确的纳什solver-based PSRO双人库恩和爱扑克。然后我们超越之前的PSRO应用程序通过考虑3 - 1个扑克游戏,收益率情况比近似解决纳什α-Rank达到更快的收敛,从而建立良好的通用游戏解决。我们还进行了初步的实证验证，在MuJoCo足球，说明了该方法的可行性，在另一个复杂的领域。

High Fidelity Speech Synthesis with Adversarial Networks
Author: Mikołaj Bińkowski, Jeff Donahue, Sander Dieleman, Aidan Clark, Erich Elsen, Norman Casagrande, Luis C. Cobo, Karen Simonyan
link: https://openreview.net/pdf?id=r1gfQgSFDr
Code: https://github.com/mbinkowski/DeepSpeechDistances
Abstract: 生成式对抗网络近年来发展迅速，并导致图像生成建模的显著改进。然而，它们在音频领域的应用受到的关注有限，自回归模型，如WaveNet，仍然是音频信号生成建模的艺术状态，如人类语言。为了解决这一不足，我们引入了GAN-TTS，一种用于文本-语音转换的生成式对抗网络。我们的架构是由一个产生原始语音音频的条件前馈发生器和一个运行在不同大小随机窗口上的鉴别器组成。鉴别器分析音频的一般现实主义，以及如何音频对应的话语，应该被发音。为了度量GAN-TTS的性能，我们使用了主观的人类评价(MOS - Mean Opinion Score)和新的定量度量(Frechet DeepSpeech Distance和Kernel DeepSpeech Distance)，我们发现它们与MOS有很好的相关性。我们证明，GAN-TTS能够生成高保真度的语音，其自然度可与最先进的模型相媲美，而且与自回归模型不同，由于使用了高效的前馈发电机，GAN-TTS具有高度的并行性。

SEED RL: Scalable and Efficient Deep-RL with Accelerated Central Inference
Author: Lasse Espeholt, Raphaël Marinier, Piotr Stanczyk, Ke Wang, Marcin Michalski‎
link: https://openreview.net/pdf?id=rkgvXlrKwH
Code: https://drive.google.com/file/d/144yp7PQf486dmctE2oS2md_qmNBTFbez/view?usp=sharing
Abstract: 本文提出了一种新型的可扩展增强学习代理——种子(一种可扩展的、高效的Deep-RL)。通过有效地利用现代加速器，证明了不仅可以在每秒数百万帧的情况下进行训练，而且可以降低成本。实验结果与现有方法进行了比较。我们通过一个简单的架构实现了这一点，该架构的特点是集中式推理和优化的通信层。SEED采用了两种最先进的分布式算法IMPALA/V-trace (policy gradients)和R2D2 (Q-learning)，并在Atari-57、DeepMind Lab和谷歌Research Football上进行了评估。我们提高了足球的技术水平，并且能够在世界记录中以两倍的速度达到Atari--57的技术水平。对于我们考虑的场景，运行实验的成本降低了40%到80%。与实验一起实现的是开源的，因此可以复制结果并尝试新的想法。

Meta-Learning with Warped Gradient Descent
Author: Sebastian Flennerhag, Andrei A. Rusu, Razvan Pascanu, Francesco Visin, Hujun Yin, Raia Hadsell
link: https://openreview.net/pdf?id=rkeiQlBFPB
Code: https://github.com/flennerhag/warpgrad
Abstract: 从数据中学习有效的更新规则可以促进从相同的分布中快速学习新任务，这在元学习中仍然是一个开放的问题。通常，以前的工作都是通过尝试训练一个直接产生更新的神经网络，或者尝试学习一个基于梯度的更新规则的更好的初始化或缩放因子来解决这个问题。这两种方法都带来了挑战。一方面，直接产生更新会放弃有用的归纳偏差，很容易导致不收敛的行为。另一方面，试图控制基于梯度的更新规则的方法通常通过学习过程使用计算梯度来获得它们的元梯度，导致方法不能扩展到超出少镜头任务适应的范围。在这项工作中，我们提出了翘曲梯度下降(WarpGrad)，一种交叉这些方法，以减轻其局限性的方法。WarpGrad元学习一个有效的参数化预处理矩阵，它有助于在整个任务分布中实现梯度下降。预处理是通过在任务-学习者的各层之间交叉放置非线性层(称为翘曲层)而产生的。翘曲层是元学习的，不需要通过任务训练过程以类似于学习直接生成更新的方法进行反向传播。WarpGrad的计算效率高，易于实现，并且可以扩展到任意大的元学习问题。我们提供了一个几何解释的方法，并评估其有效性在各种设置，包括少镜头，标准监督，连续和强化学习。

Convolutional Conditional Neural Processes
Author: Jonathan Gordon, Wessel P. Bruinsma, Andrew Y. K. Foong, James Requeima, Yann Dubois, Richard E. Turner
link: https://openreview.net/pdf?id=Skey4eBYPS
Code: https://github.com/cambridge-mlg/convcnp
Abstract: 本文介绍了卷积条件神经过程(ConvCNP)，它是对数据平移等方差进行建模的神经过程家族中的新成员。翻译等方差是许多学习问题的重要归纳偏差，包括时间序列建模、空间数据和图像。该模型将数据集嵌入到一个无限维的函数空间中，而不是有限维的向量空间。为了形式化这一概念，我们扩展了集合的神经表示理论以包含功能表示，并证明任何平移等变嵌入都可以用卷积深集表示。我们在几种情况下对ConvCNPs进行了评估，结果表明，与现有的NPs相比，它们具有最先进的性能。我们证明，在翻译等方差的建设，使零枪概化具有挑战性，领域外的任务。

Gradient Descent Maximizes the Margin of Homogeneous Neural Networks
Author: Kaifeng Lyu, Jian Li
link: https://openreview.net/pdf?id=SJeLIgBKPS
Code: https://github.com/vfleaking/max-margin
Abstract: 本文研究了齐次神经网络中梯度下降算法的隐式正则化问题，包括具有ReLU或LeakyReLU激活的全连通和卷积神经网络。特别地，我们研究了梯度下降或梯度流动。对任意齐次模型(可能是非光滑的)的逻辑损失或交叉熵损失进行了优化，结果表明，如果训练损失降低到一定的阈值以下，那么我们可以定义一个随时间增加的归一化边缘的平滑版本。我们还建立了一个与边际最大化相关的自然约束优化问题，并证明了标准化边际及其平滑版本在最优化问题的KKT点上均收敛于目标值。我们的结果推广了已有的单层或多层线性网络的逻辑回归结果，并在假设较弱的情况下给出了更多的均匀光滑神经网络的定量收敛结果。我们在MNIST和CIFAR-10数据集上进行了几个实验来证明我们的理论发现。最后，由于裕度与稳健性密切相关，我们讨论了延长训练时间以提高模型稳健性的潜在好处。

Adversarial Training and Provable Defenses: Bridging the Gap
Author: Mislav Balunovic, Martin Vechev
link: https://openreview.net/pdf?id=SJxSDxrKDr
Code: None
Abstract: 提出了一种基于对抗训练和可证明防御相结合的神经网络训练新方法——COLT。其核心思想是将神经网络训练建模为一个包含验证者和对手的过程。在每次迭代中，验证者的目标是使用凸松弛来验证网络，而对手试图在凸松弛中寻找导致验证失败的输入。我们实验证明这种训练方法,名叫凸layerwise对抗训练(小马),承诺和达到两全其美——它产生60.5%的最先进的神经网络与认证的鲁棒性和准确性78.4%挑战CIFAR-10 2/255 L-infinity扰动数据集。这显著地改进了54.0%认证的稳健性和71.5%的准确性的最佳并发结果。

Differentiable Reasoning over a Virtual Knowledge Base
Author: Bhuwan Dhingra, Manzil Zaheer, Vidhisha Balachandran, Graham Neubig, Ruslan Salakhutdinov, William W. Cohen
link: https://openreview.net/pdf?id=SJxstlHFPH
Code: http://www.cs.cmu.edu/~bdhingra/pages/drkit.html
Abstract: 考虑使用语料库作为虚拟知识库来回答复杂的多跳问题。特别地，我们描述了一个神经模块，DrKIT，它像一个知识库一样遍历文本数据，温柔地遵循语料库中提到的实体之间的关系路径。在每个步骤中，该模块使用稀疏矩阵TFIDF索引和最大内积搜索(MIPS)的组合，在提及的上下文表示的特殊索引上。该模块是可微的，因此整个系统可以从自然语言输入开始，使用基于梯度的方法进行端到端的训练。我们也描述了一个上下文表示编码器的前训练方案，通过使用现有的知识库生成硬的负面例子。我们发现，在MetaQA数据集中，DrKIT在3-hop问题上的准确率提高了9个百分点，将基于文本和基于kbk的艺术水平之间的差距缩小了70%。在HotpotQA上，DrKIT在检索回答问题所需的相关段落方面比基于bert的重新排序方法提高了10%。DrKIT也非常高效，每秒处理的查询比现有的多跳系统多10倍。

Federated Learning with Matched Averaging
Author: Hongyi Wang, Mikhail Yurochkin, Yuekai Sun, Dimitris Papailiopoulos, Yasaman Khazaeni
link: https://openreview.net/pdf?id=BkluqlSFDS
Code: https://github.com/IBM/FedMA
Abstract: 联合学习允许边缘设备在将培训数据保存在设备上的同时，协作学习共享模型，从而将进行模型培训的能力与将数据存储在云中的需求分离开来。我们提出了联邦匹配平均(FedMA)算法，用于现代神经网络体系结构的联邦学习，如卷积神经网络(CNNs)和LSTMs。FedMA通过匹配和平均隐藏元素(即卷积层的通道;LSTM的隐藏状态;具有类似特征提取特征的神经元。我们的实验表明，FedMA不仅在深度CNN和基于真实数据集的LSTM架构上优于当前流行的联邦学习算法，而且降低了整体通信负担。

往期回顾

入门基础
「自然语言处理（NLP）」入门系列（一）初识NLP
「自然语言处理（NLP）」入门系列（二）什么才是深度学习？
「自然语言处理（NLP）」入门系列（三）单词表示、损失优化、文本标记化
「自然语言处理（NLP）」入门系列（四）如何训练word2vec ！！

论文阅读

「自然语言处理（NLP）」【爱丁堡大学】基于实体模型的数据文本生成！！
「自然语言处理（NLP）」【Borealis AI】跨域文本连贯生成神经网络模型！！
「自然语言处理（NLP）」CTRL：16.3亿个参数的条件转换语言模型
无情！「自然语言处理(NLP)」统一预训练UniLM模型(NLU+NLG)

学术圈

「自然语言处理（NLP）」你必须要知道的八个国际顶级会议！
「重磅！！」深度学习十年技术“进化史”
【圣诞福利】ICLR2020开源代码的paper集合（共计198篇）
收藏！「自然语言处理（NLP）」全球学术界”巨佬“信息大盘点（一）！

Attention

更多自然语言处理相关知识，还请关注AINLPer公众号，极品干货即刻送达。

你可能感兴趣的:(ICLR2020国际会议精彩演讲抢先看（含源码）！！)

  • 芦花鞋一四 许叶晗
    又是在一个寒冷的夏日里，青铜和葵花决定今天一起去卖芦花鞋，奶奶亲手给他们做了一碗热乎乎的粥对他们说:“就靠你们两挣生活费了这碗粥赶紧趁热喝了吧！”于是青铜和葵花喝完了奶奶给她们做的粥，就准备去镇上卖卢花鞋，这回青铜和葵花穿着新的芦花鞋来到了镇上。青铜这回看到了很多人都在卖，用手势表达对葵花说:“这回有好多人在抢我们生意呢！我们必须得吆喝起来。”葵花点了点头。可是谁知他们也大声的叫，卖芦花喽！卖芦花
  • 店群合一模式下的社区团购新发展——结合链动 2+1 模式、AI 智能名片与 S2B2C 商城小程序源码 说私域 人工智能小程序
    摘要：本文探讨了店群合一的社区团购平台在当今商业环境中的重要性和优势。通过分析店群合一模式如何将互联网社群与线下终端紧密结合，阐述了链动2+1模式、AI智能名片和S2B2C商城小程序源码在这一模式中的应用价值。这些创新元素的结合为社区团购带来了新的机遇，提升了用户信任感、拓展了营销渠道，并实现了线上线下的完美融合。一、引言随着互联网技术的不断发展，社区团购作为一种新兴的商业模式，在满足消费者日常需
  • 四章-32-点要素的聚合 彩云飘过
    本文基于腾讯课堂老胡的课《跟我学Openlayers--基础实例详解》做的学习笔记，使用的openlayers5.3.xapi。源码见1032.html，对应的官网示例https://openlayers.org/en/latest/examples/cluster.htmlhttps://openlayers.org/en/latest/examples/earthquake-clusters.
  • DIV+CSS+JavaScript技术制作网页（旅游主题网页设计与制作）云南大理 STU学生网页设计 网页设计期末网页作业html静态网页html5期末大作业网页设计web大作业
    ️精彩专栏推荐作者主页:【进入主页—获取更多源码】web前端期末大作业：【HTML5网页期末作业(1000套)】程序员有趣的告白方式：【HTML七夕情人节表白网页制作(110套)】文章目录二、网站介绍三、网站效果▶️1.视频演示2.图片演示四、网站代码HTML结构代码CSS样式代码五、更多源码二、网站介绍网站布局方面：计划采用目前主流的、能兼容各大主流浏览器、显示效果稳定的浮动网页布局结构。网站程
  • 关于城市旅游的HTML网页设计——(旅游风景云南 5页)HTML+CSS+JavaScript 二挡起步 web前端期末大作业javascripthtmlcss旅游风景
    ⛵源码获取文末联系✈Web前端开发技术描述网页设计题材，DIV+CSS布局制作,HTML+CSS网页设计期末课程大作业|游景点介绍|旅游风景区|家乡介绍|等网站的设计与制作|HTML期末大学生网页设计作业，Web大学生网页HTML：结构CSS：样式在操作方面上运用了html5和css3，采用了div+css结构、表单、超链接、浮动、绝对定位、相对定位、字体样式、引用视频等基础知识JavaScrip
  • libyuv之linux编译 jaronho Linuxlinux运维服务器
    文章目录一、下载源码二、编译源码三、注意事项1、银河麒麟系统（aarch64）（1）解决armv8-a+dotprod+i8mm指令集支持问题（2）解决armv9-a+sve2指令集支持问题一、下载源码到GitHub网站下载https://github.com/lemenkov/libyuv源码，或者用直接用git克隆到本地，如：gitclonehttps://github.com/lemenko
  • OPENAIGC开发者大赛企业组AI黑马奖 | AIGC数智传媒解决方案 RPA中国 人工智能AIGC传媒
    在第二届拯救者杯OPENAIGC开发者大赛中，涌现出一批技术突出、创意卓越的作品。为了让这些优秀项目被更多人看到，我们特意开设了优秀作品报道专栏，旨在展示其独特之处和开发者的精彩故事。无论您是技术专家还是爱好者，希望能带给您不一样的知识和启发。让我们一起探索AIGC的无限可能，见证科技与创意的完美融合！创未来AI应用赛-企业组AI黑马奖作品名称：AIGC数智传媒解决方案参赛团队：深圳市三象智能技术
  • 2021年2月21日 1000天演讲打卡第52天 乒乓球 巅峰_时刻
    哈喽大家好，我是嘟嘟，今天是2021年2月21日，也是我1000天演讲打卡第52天，今天我要与大家探讨的主题关于乒乓球。乒乓球，是我目前和小伙伴们最喜欢的一项运动，记得第一次打乒乓球的时候，还是4年前与姥姥娱乐，当时姥姥姥爷来深圳了，这边没有朋友，所以他们每天都会去打乒乓球，有一次我初于好奇心，找他们打了几局，打完下来我大汗淋漓，可心中觉得乒乓球比篮球好多了，也是从那是开始，我要求与姥姥姥爷一起打
  • ArrayList 源码解析 程序猿进阶 Java基础ArrayListListjava面试性能优化架构设计idea
    ArrayList是Java集合框架中的一个动态数组实现，提供了可变大小的数组功能。它继承自AbstractList并实现了List接口，是顺序容器，即元素存放的数据与放进去的顺序相同，允许放入null元素，底层通过数组实现。除该类未实现同步外，其余跟Vector大致相同。每个ArrayList都有一个容量capacity，表示底层数组的实际大小，容器内存储元素的个数不能多于当前容量。当向容器中添
  • 准备 胡珊珊乐平九小
    尊敬的各位领导、各位同仁们：大家上午好！我是来自乐平九小的胡珊珊。今天很高兴能有机会给大家做“智慧作业”应用培训。说到“智慧作业”我感触颇多，我是在智慧作业中成长起来的，我也时常以自己是一名“智慧作业人”自居。早在2020年疫情期间，学校电教处周光杰主任在学校群里发出智慧作业抢题通知，我看了有些心动，一节微课相当于一次省级公开课，这对于我们普通老师是多么难得的机会啊。但想归想，我也不会用软件啊，再
  • 《前夫如龙》王昊江琼（独家小说）精彩TXT阅读 海边书楼
    《前夫如龙》王昊江琼（独家小说）精彩TXT阅读主角：王昊江琼简介：离婚那天，她视他如泥土。谁曾想，消息一出，天下震动！可关注微信公众号【风车文楼】去回个书号【203】，即可免费阅读【前夫如龙】全文！江芸并未听出华少龙声音里的冷漠，依旧一脸笑容道：“是啊，那个废物哪儿配得上我姐？这些年，我姐对他仁至义尽了。以后，华少爷可以多跟我姐接触接触，只有华少爷这样的人，才配得上我姐啊！”江琼低着头，微微有些娇
  • Python神器！WEB自动化测试集成工具 DrissionPage 亚丁号 python开发语言
    一、前言用requests做数据采集面对要登录的网站时，要分析数据包、JS源码，构造复杂的请求，往往还要应付验证码、JS混淆、签名参数等反爬手段，门槛较高。若数据是由JS计算生成的，还须重现计算过程，体验不好，开发效率不高。使用浏览器，可以很大程度上绕过这些坑，但浏览器运行效率不高。因此，这个库设计初衷，是将它们合而为一，能够在不同须要时切换相应模式，并提供一种人性化的使用方法，提高开发和运行效率
  • 5分钟说透AppStore审核原理，让你拥有上架新思路！ Q仔本人噢
    在AppStore上架是越来越难了!相信非常多公司的技术人员都为此困扰，然而外包团队水平又层次不齐，容易遇坑，实在是内忧外患。是什么原因导致审核机制频繁调整？又是什么原因使得审核变得越发严格？那么接下来听小Q分解，马上给各位带来解答!首先看一下近一年的上下架的情况：近一年上架情况近一年下架情况通过数据我们发现越是马甲包产量权重高的分类里被下架的app数量越多，苹果此举可谓是上有政策，下有对策。通过
  • ❤学习《家庭教育指导师》第三天分享❤ 温暖富足女神
    时光飞逝，转眼来到了第3天的学习，今天上午的领导讲话与故事分享时间虽然有点长，但却带给大家很大的启发：亲人的离世，让我们更加珍惜身边的眼前人;导师们的心历路程让我们感动、敬佩与深受启发！每个人的生命都是独一无二的，每个人的生命都那么的珍贵与精彩！每个人的生命又那么的不容易与耐抗挫折！每个人来到这个人世间，都会有它的使命感，当强大的内心力量被唤醒时，他将无所不能！慧萍老师带我们体验的“一分钟击掌”与
  • 黄景瑜工作人员怒怼营销号！肖战事件就是他的前车之鉴 板凳吃瓜小分队
    无论社会怎样浮躁，我们自己也不可以浮躁。战胜浮躁的关键是明白自己真正的需要，保持一颗平常心，不要盲目攀比，不要羡慕别人，更不要唯利是图。一辈子很短，我们不能总是望着别人的精彩，羡慕着别人的人生，而忘记了经营自己生活，要知道，通过努力，你也能成为让人仰望的明星。如今，随着娱乐产业越来越成熟，每年的新星也是扎堆冒出。在我看来，与前几年不同的是，如今的新生代质量明显好过从前。“更专业了，更有礼貌了”也是
  • 5月23日能量阅读打卡 free森
    当我走在人生路上的时候，我只能往前因为身后是飞逝的光阴。如果我因为过去与未来而瞻前顾后我的道路与生命进程就会停下来我的生命就会成为恐惧的俘虏所以我不应该因为过去与未来而驻足即便我的道路上充满了坎坷，即便我的道路上充满了考验，可是坎坷与考验都不能成为我停下的理由！我要跟坎坷说对不起，我爱你！我要跟考验说请原谅，谢谢你！我要在人生路上勇往直前，面对坎坷与重重生命的考验，我要毅然高歌猛进去追求精彩的人生
  • 笋丁网页自动回复机器人V3.0.0免授权版源码 希希分享 软希网58soho_cn源码资源笋丁网页自动回复机器人
    笋丁网页机器人一款可设置自动回复，默认消息，调用自定义api接口的网页机器人。此程序后端语言使用Golang，内存占用最高不超过30MB，1H1G服务器流畅运行。仅支持Linux服务器部署，不支持虚拟主机，请悉知！使用自定义api功能需要有一定的建站基础。源码下载：https://download.csdn.net/download/m0_66047725/89754250更多资源下载：关注我。安
  • ESP32-C3入门教程 网络篇⑩——基于esp_https_ota和MQTT实现开机主动升级和被动触发升级的OTA功能 小康师兄 ESP32-C3入门教程https服务器esp32OTAMQTT
    文章目录一、前言二、软件流程三、部分源码四、运行演示一、前言本文基于VSCodeIDE进行编程、编译、下载、运行等操作基础入门章节请查阅：ESP32-C3入门教程基础篇①——基于VSCode构建HelloWorld教程目录大纲请查阅：ESP32-C3入门教程——导读ESP32-C3入门教程网络篇⑨——基于esp_https_ota实现史上最简单的ESP32OTA远程固件升级功能二、软件流程
  • 读《房思琪的初恋乐园》——林奕含 芥末绿zq
    小说的描写就像一座文字殿堂一样，将每个细节都堆砌得如此繁复精美，我读不懂，我只拣了其中粗暴恶俗、直扎人心的现实。强暴、诱奸、家暴、冷漠、助纣为虐……，故事里全是罪恶的词，不管用什么贬义的词都无法形容。文中无限重复的文学素养，譬喻就像作者无声的哀嚎，撞进我的心头。脑子里无限重复着“温良恭俭让”。就像她在采访里说的，她最痛苦的一点就是，一个真正相信文学的人，他怎么可以背叛这个浩浩汤汤已经超过五千年的语
  • 买书 与美好同行
    今天真是痛快，连收三个快递，十本书。周三时，薛老师讲课说让准备大字注音版的《左传》，因为《史记》的读书纵轴上开始串上《左传》这一横轴了。《史记》已经读到了《秦本纪》，里面有关晋文公部分，老师说结合《左传》里面的相关具体内容读更精彩更明白，于是大家纷纷移步淘宝或者拼多多，寻找大字注音版《左传》。两个网上都有，且都在搞活动，于是找好了果断下单。去年在群里和大家一块儿买《史记》时，已经同时买了中华书局三
  • 【Python搞定车载自动化测试】——Python实现车载以太网DoIP刷写（含Python源码） 疯狂的机器人 Python搞定车载自动化pythonDoIPUDSISO142291SO13400Bootloadertcp/ip
    系列文章目录【Python搞定车载自动化测试】系列文章目录汇总文章目录系列文章目录前言一、环境搭建1.软件环境2.硬件环境二、目录结构三、源码展示1.DoIP诊断基础函数方法2.DoIP诊断业务函数方法3.27服务安全解锁4.DoIP自动化刷写四、测试日志1.测试日志五、完整源码链接前言随着智能电动汽车行业的发展，汽车=智能终端+四个轮子，各家车企都推出了各自的OTA升级方案，本章节主要介绍如何使
  • 《错嫁傻王：王妃她又黑化了》南君宥乔洛染（独家小说）精彩TXT阅读 海边书楼
    《错嫁傻王：王妃她又黑化了》南君宥乔洛染（独家小说）精彩TXT阅读主角：南君宥乔洛染简介：堂堂21世纪金牌特种兵乔洛染，穿来的第一天，就被人诬陷私通被逼投江。而前来解救她的，正是她的夫婿——智力受损的痴傻王爷南君宥。傻子娶了一个不贞女，全京城都在等着看他们的笑话。殊不知，乔洛染一手医术济天下，一手制毒退万敌。关注微信公众号【花车文学】去回个书號【36】，即可阅读【错嫁傻王：王妃她又黑化了】小说全文
  • 进销存小程序源码 PHP网络版ERP进销存管理系统 全开源可二开 摸鱼小号 php
    可直接源码搭建部署发布后使用：一、功能模块介绍该系统模板主要有进，销，存三个主要模板功能组成，下面将介绍各模块所对应的功能；进：需要将产品采购入库，自动生成采购明细台账同时关联财务生成付款账单；销：是指对客户的销售订单记录，汇总生成产品销售明细及回款计划；存：库存的日常盘点与统计，库存下限预警、出入库台账、库存位置等。1.进购管理采购订单：采购下单审批→由上级审批通过采购入库；采购入库：货品到货>
  • 寓美于心 琴韵无声
    今天是“语文湿地2021网络年会”第一天。年会早上七点在尹东老师和王君老师的激情开幕致辞中开始。一天下来听了八节课，真是“八仙过海，各显神通。”精彩纷呈。愚笨如我，真的是找不出一个恰切的词来形容她们的美妙绝伦。今天一口气吃下了饕餮盛宴，留待日后慢慢反刍吧。今天的压轴大戏是王君老师的《若爱，深深爱；若写，深情写》——跟《土地的誓言》学意象铺排”艺术。又加上是最后一节听的，印象最为深刻。凭着印象先略记
  • 计算机毕业设计PHP仓储综合管理系统（源码+程序+VUE+lw+部署） java毕设程序源码王哥 php课程设计vue.js
    该项目含有源码、文档、程序、数据库、配套开发软件、软件安装教程。欢迎交流项目运行环境配置：phpStudy+Vscode+Mysql5.7+HBuilderX+Navicat11+Vue+Express。项目技术：原生PHP++Vue等等组成，B/S模式+Vscode管理+前后端分离等等。环境需要1.运行环境：最好是小皮phpstudy最新版，我们在这个版本上开发的。其他版本理论上也可以。2.开发
  • 绝招曝光！3小时高效利用ChatGPT写出精彩论文 kkai人工智能 chatgpt人工智能ai学习媒体
    在这份指南中，我将深入解析如何利用ChatGPT4.0的高级功能，指导整个学术研究和写作过程。从初步探索研究主题，到撰写结构严谨的学术论文，我将一步步展示如何在每个环节中有效运用ChatGPT。如果您还未使用PLUS版本，可以参考相关教程。**初步探索与主题的确定**起初，我处于庞大的知识领域中，寻找一个可深入研究的领域。ChatGPT如同灯塔，通过深入分析最新研究趋势和领域热点，帮助我在广阔的学
  • 四个男人的坦言：让男人念念不忘的女人，很爱“惹麻烦” 霜粉
    或许，在许多女人看来，令男人恋恋不忘的，一定是那个令他情窦初开的女人，抑或是那个他爱而不得的人，甚至有可能是那个当初和他在一起时，对他百般温柔和眷恋的女人。其实，很多时候，令男人恋恋不忘的，都并不是这几种女人。自然，这几种女人可能带给了男人独特的感受，给他的人生旅途间带来了片刻的精彩。可是，这却未必就是他日后难以忘怀的女人。那些让男人念念不忘的女人，她不一定青春年少，也不一定美丽动人，但她一定是在
  • 酒店床装车出货 臧冰
    一百多套的酒店床、圆床，床垫终于出货了，可惜还没装完，明天将继续出货，辛苦了各位小伙伴们！图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App图片发自App我是两个孩子的宝妈，经营着一间软体家具厂，“伊力威斯”是我们的品牌。这是我的第178篇原创日记。栽一棵树最好的时间是十年前跟今天，写日记亦是如此，抓住今天，我们将收获更精彩的人生！
  • 干货|自我介绍这三个坑，99%的概率你踩过！ 夏麦生命的魔术师
    自我介绍——每个人都需要的一张名片。图片源自网络从2018年到现在，在做演讲俱乐部的2年时间里，我在演讲活动现场听过1000+人的自我介绍，自我介绍做得超棒的人真不多！最近，我花了近几个月时间，仔细研究了500+人线上场景的自我介绍，发现优秀的自我介绍也不多！为什么做一张优秀的自我介绍就这么难呢？这个问题，在我帮几十个人打造了自我介绍的过程一直困扰着我。经过了几个月的时间思考与实践，终于发现三个—
  • 每日OJ_牛客_马戏团（模拟最长上升子序列） GR鲸鱼 c++算法开发语言牛客数据结构
    目录牛客_马戏团（模拟最长上升子序列）解析代码牛客_马戏团（模拟最长上升子序列）马戏团__牛客网搜狐员工小王最近利用假期在外地旅游，在某个小镇碰到一个马戏团表演，精彩的表演结束后发现团长正和大伙在帐篷前激烈讨论，小王打听了下了解到，马戏团正打算出一个新节目“最高罗汉塔”，即马戏团员叠罗汉表演。考虑到安全因素，要求叠罗汉过程中，站在某个人肩上的人应该既比自己矮又比自己瘦，或相等。团长想要本次节目中的
  • SQL的各种连接查询 xieke90 UNION ALLUNION外连接内连接JOIN
    一、内连接   概念：内连接就是使用比较运算符根据每个表共有的列的值匹配两个表中的行。                 内连接（join 或者inner join ）       SQL语法：       select * fron
  • java编程思想--复用类 百合不是茶 java继承代理组合final类
          复用类看着标题都不知道是什么,再加上java编程思想翻译的比价难懂,所以知道现在才看这本软件界的奇书   一:组合语法:就是将对象的引用放到新类中即可     代码:     package com.wj.reuse; /** * * @author Administrator 组
  • [开源与生态系统]国产CPU的生态系统 comsci cpu
          计算机要从娃娃抓起...而孩子最喜欢玩游戏....       要让国产CPU在国内市场形成自己的生态系统和产业链,国家和企业就不能够忘记游戏这个非常关键的环节....       投入一些资金和资源,人力和政策,让游
  • JVM内存区域划分Eden Space、Survivor Space、Tenured Gen，Perm Gen解释 商人shang jvm内存
    jvm区域总体分两类，heap区和非heap区。heap区又分：Eden Space（伊甸园）、Survivor Space(幸存者区)、Tenured Gen（老年代-养老区）。 非heap区又分：Code Cache(代码缓存区)、Perm Gen（永久代）、Jvm Stack(java虚拟机栈)、Local Method Statck(本地方法栈)。 HotSpot虚拟机GC算法采用分代收
  • 页面上调用 QQ oloz qq
    <A href="tencent://message/?uin=707321921&amp;Site=有事Q我&amp;Menu=yes">   <img style="border:0px;" src=http://wpa.qq.com/pa?p=1:707321921:1></a>
  • 一些问题 文强chu 问题
    1.eclipse 导出 doc  出现“The Javadoc command does not exist.” javadoc command 选择 jdk/bin/javadoc.exe 2.tomcate 配置 web 项目 ..... SQL:3.mysql  * 必须得放前面 否则  select&nbs
  • 生活没有安全感 小桔子 生活孤独安全感
           圈子好小，身边朋友没几个，交心的更是少之又少。在深圳，除了男朋友，没几个亲密的人。不知不觉男朋友成了唯一的依靠，毫不夸张的说，业余生活的全部。现在感情好，也很幸福的。但是说不准难免人心会变嘛，不发生什么大家都乐融融，发生什么很难处理。我想说如果不幸被分手(无论原因如何)，生活难免变化很大，在深圳，我没交心的朋友。明
  • php 基础语法 aichenglong php 基本语法
    1 .1 php变量必须以$开头 <?php $a=” b”; echo ?> 1 .2 php基本数据库类型 Integer  float/double Boolean string 1 .3 复合数据类型 数组array和对象 object 1 .4 特殊数据类型  null 资源类型(resource)    $co
  • mybatis tools 配置详解 AILIKES mybatis
    MyBatis Generator中文文档 MyBatis Generator中文文档地址： http://generator.sturgeon.mopaas.com/ 该中文文档由于尽可能和原文内容一致，所以有些地方如果不熟悉，看中文版的文档的也会有一定的障碍，所以本章根据该中文文档以及实际应用，使用通俗的语言来讲解详细的配置。 本文使用Markdown进行编辑，但是博客显示效
  • 继承与多态的探讨 百合不是茶 JAVA面向对象 继承 对象
    继承 extends   多态 继承是面向对象最经常使用的特征之一：继承语法是通过继承发、基类的域和方法 //继承就是从现有的类中生成一个新的类，这个新类拥有现有类的所有extends是使用继承的关键字：     在A类中定义属性和方法； class A{ //定义属性 int age； //定义方法 public void go
  • JS的undefined与null的实例 bijian1013 JavaScriptJavaScript
    <form name="theform" id="theform"> </form> <script language="javascript"> var a alert(typeof(b)); //这里提示undefined if(theform.datas
  • TDD实践（一） bijian1013 java敏捷TDD
    一.TDD概述         TDD：测试驱动开发，它的基本思想就是在开发功能代码之前，先编写测试代码。也就是说在明确要开发某个功能后，首先思考如何对这个功能进行测试，并完成测试代码的编写，然后编写相关的代码满足这些测试用例。然后循环进行添加其他功能，直到完全部功能的开发。     
  • [Maven学习笔记十]Maven Profile与资源文件过滤器 bit1129 maven
    什么是Maven Profile Maven Profile的含义是针对编译打包环境和编译打包目的配置定制，可以在不同的环境上选择相应的配置，例如DB信息，可以根据是为开发环境编译打包，还是为生产环境编译打包，动态的选择正确的DB配置信息   Profile的激活机制 1.Profile可以手工激活，比如在Intellij Idea的Maven Project视图中可以选择一个P
  • 【Hive八】Hive用户自定义生成表函数(UDTF) bit1129 hive
    1. 什么是UDTF   UDTF，是User Defined Table-Generating Functions，一眼看上去，貌似是用户自定义生成表函数，这个生成表不应该理解为生成了一个HQL Table， 貌似更应该理解为生成了类似关系表的二维行数据集   2. 如何实现UDTF 继承org.apache.hadoop.hive.ql.udf.generic
  • tfs restful api 加auth 2.0认计 ronin47
    　　目前思考如何给tfs的ngx-tfs api增加安全性。有如下两点： 　　一是基于客户端的ip设置。这个比较容易实现。 　　二是基于OAuth2.0认证，这个需要lua，实现起来相对于一来说，有些难度。 　　现在重点介绍第二种方法实现思路。 　　 前言：我们使用Nginx的Lua中间件建立了OAuth2认证和授权层。如果你也有此打算，阅读下面的文档，实现自动化并获得收益。SeatGe
  • jdk环境变量配置 byalias javajdk
    进行java开发，首先要安装jdk，安装了jdk后还要进行环境变量配置： 1、下载jdk（http://java.sun.com/javase/downloads/index.jsp），我下载的版本是：jdk-7u79-windows-x64.exe 2、安装jdk-7u79-windows-x64.exe 3、配置环境变量：右击"计算机"-->&quo
  • 《代码大全》表驱动法-Table Driven Approach-2 bylijinnan java
    package com.ljn.base; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.Collections; import java.uti
  • SQL 数值四舍五入 小数点后保留2位 chicony 四舍五入
    1.round() 函数是四舍五入用，第一个参数是我们要被操作的数据，第二个参数是设置我们四舍五入之后小数点后显示几位。 2.numeric 函数的2个参数，第一个表示数据长度，第二个参数表示小数点后位数。 例如： 　　select   cast(round(12.5,2)   as   numeric(5,2))  
  • c++运算符重载 CrazyMizzz C++
    一、加+，减-，乘*，除/ 的运算符重载 Rational operator*(const Rational &x) const{ return Rational(x.a * this->a); } 在这里只写乘法的，加减除的写法类似 二、<<输出,>>输入的运算符重载      &nb
  • hive DDL语法汇总 daizj hive修改列DDL修改表
    hive DDL语法汇总 １、对表重命名 hive> ALTER TABLE table_name RENAME TO new_table_name;   2、修改表备注 hive> ALTER TABLE table_name SET TBLPROPERTIES ('comment' = new_comm
  • jbox使用说明 dcj3sjt126com Web
    参考网址：http://www.kudystudio.com/jbox/jbox-demo.html jBox v2.3 beta [ 点击下载]  技术交流QQGroup：172543951 100521167 [2011-11-11] jBox v2.3 正式版 - [调整&修复] IE6下有iframe或页面有active、applet控件
  • UISegmentedControl 开发笔记 dcj3sjt126com
      //    typedef NS_ENUM(NSInteger, UISegmentedControlStyle) {     //        UISegmentedControlStylePlain,     // large plain   &
  • Slick生成表映射文件 ekian scala
    Scala添加SLICK进行数据库操作，需在sbt文件上添加slick-codegen包 "com.typesafe.slick" %% "slick-codegen" % slickVersion 因为我是连接SQL Server数据库，还需添加slick-extensions，jtds包 "com.typesa
  • ES-TEST gengzg test
    package com.MarkNum; import java.io.IOException; import java.util.Date; import java.util.HashMap; import java.util.Map; import javax.servlet.ServletException; import javax.servlet.annotation
  • 为何外键不再推荐使用 hugh.wang mysqlDB
    表的关联，是一种逻辑关系，并不需要进行物理上的“硬关联”，而且你所期望的关联，其实只是其数据上存在一定的联系而已，而这种联系实际上是在设计之初就定义好的固有逻辑。 在业务代码中实现的时候，只要按照设计之初的这种固有关联逻辑来处理数据即可，并不需要在数据库层面进行“硬关联”，因为在数据库层面通过使用外键的方式进行“硬关联”，会带来很多额外的资源消耗来进行一致性和完整性校验，即使很多时候我们并不
  • 领域驱动设计 julyflame VODAO设计模式DTOpo
    概念： VO（View Object）：视图对象，用于展示层，它的作用是把某个指定页面（或组件）的所有数据封装起来。 DTO（Data Transfer Object）：数据传输对象，这个概念来源于J2EE的设计模式，原来的目的是为了EJB的分布式应用提供粗粒度的数据实体，以减少分布式调用的次数，从而提高分布式调用的性能和降低网络负载，但在这里，我泛指用于展示层与服务层之间的数据传输对
  • 单例设计模式 hm4123660 javaSingleton单例设计模式懒汉式饿汉式
           单例模式是一种常用的软件设计模式。在它的核心结构中只包含一个被称为单例类的特殊类。通过单例模式可以保证系统中一个类只有一个实例而且该实例易于外界访问，从而方便对实例个数的控制并节约系统源。如果希望在系统中某个类的对象只能存在一个，单例模式是最好的解决方案。      &nb
  • logback zhb8015 loglogback
    一、logback的介绍      Logback是由log4j创始人设计的又一个开源日志组件。logback当前分成三个模块：logback-core,logback- classic和logback-access。logback-core是其它两个模块的基础模块。logback-classic是log4j的一个 改良版本。此外logback-class
  • 整合Kafka到Spark Streaming——代码示例和挑战 Stark_Summer sparkstormzookeeperPARALLELISMprocessing
    作者Michael G. Noll是瑞士的一位工程师和研究员，效力于Verisign，是Verisign实验室的大规模数据分析基础设施（基础Hadoop）的技术主管。本文，Michael详细的演示了如何将Kafka整合到Spark Streaming中。 期间， Michael还提到了将Kafka整合到 Spark Streaming中的一些现状，非常值得阅读，虽然有一些信息在Spark 1.2版
  • spring-master-slave-commondao 王新春 DAOspringdataSourceslavemaster
    互联网的web项目，都有个特点：请求的并发量高，其中请求最耗时的db操作，又是系统优化的重中之重。 为此，往往搭建 db的 一主多从库的 数据库架构。作为web的DAO层，要保证针对主库进行写操作，对多个从库进行读操作。当然在一些请求中，为了避免主从复制的延迟导致的数据不一致性，部分的读操作也要到主库上。（这种需求一般通过业务垂直分开，比如下单业务的代码所部署的机器，读去应该也要从主库读取数
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他