回放！CVPR2020、ICLR2020录播视频解读合集
受形势越发严峻的疫情影响，针对2020年诸多会议不能现场参会的特殊情况，AI研习社联合AI科技评论组织策划了相关顶会系列专题活动，【AAAI 2020专题】、【ICLR 2020专题】、【CVPR 2020专题】等陆续上线。
【系列视频解读】是其中重要的组成部分。视频解读部分主要分两种形势，除了公开课直播形式，还有部分模拟线上参会方式的录播视频解读。
录播视频合集：
一、ICLR 2020 | 华盛顿大学：图像分类中对可实现攻击的防御
我们研究了深度神经网络图像分类方法对物理可见攻击的防御问题。首先，我们证明了两种可扩展且有效的学习鲁棒模型的方法，即使用PGD攻击的对抗性训练和随机平滑，对当前三种“最引人注目”物理攻击的防御非常有限。
最后，我们证明，使用我们的新对抗性训练产生的图像分类模型对物理可见攻击表现出很高的鲁棒性，也为这种攻击提供了第一种有效的通用防御。
课程链接：//www.mooc.ai/open/course/768
二、ICLR 2020 | 基于价值的规划和强化学习的封装架构
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。在本论文中，我们提出在控制和深度强化学习的任务中研究值函数（即Q函数）的基础结构。如果潜在的系统特性能够导致Q函数产生某些全局结构，则应该能够通过利用这种结构更好地推断该函数。具体来说，我们研究了大数据矩阵中普遍存在的低秩（low rank）结构。我们在普遍的控制和深度强化学习任务上验证了低秩Q函数的存在。作为我们的主要贡献，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函数中本质的低秩结构。这不仅使得经典控制的任务效率更高，此外，我们提出的方案应用于基于值函数的强化学习方法，能够在“低秩”任务上始终获得更好的性能。
大量的关于控制任务和强化学习任务的实验证实了我们方法的有效性。
项目代码：//github.com/YyzHarry/SV-RL
课程链接：//www.mooc.ai/open/course/791
三、ICLR 2020 | 使用格网细胞，对空间特征分布进行多尺度表达学习
目前，非监督语言编码模型加大的推进了自然语言处理技术的发展，他的核心理念就是根据词语在文章中的位置以及上下文关系使用神经网络把词语转化为向量空间表达，这个结果非常适合与多种下游的任务。
在空间分析领域，我们看到了非常相似的情况，GIS学者注重于把地理对象（例如POI）的绝对位置信息和周边环境信息加入模型当中，这意味着一个广义的（地理）空间表达模型会对众多任务都有帮助。然而，除了简单的对空间进行分割或者直接把坐标输入前馈神经网络（FFN）的做法，目前不存在这样的广义空间表达模型，不仅如此也很少有学者研究如何同时对不同特征的空间分布进行总体建模，而这一情况经常在GIS数据中出现。
于此同时，我们注意到近期赢得诺贝尔奖的神经科学研究发现，哺乳动物的格网细胞（grid cell）提供了一种多尺度周期性的表达，这种表达作为哺乳动物大脑中位置编码的一种指标对于它们认路和整合路经信息十分重要。
基于这些发现，本文提出一种叫做Space2Vec的表达学习模型，他可以对地理对象的绝对空间位置和相对空间关系进行编码。我们在两个真实的地理数据上做了实验：
1）根据POI的位置和周围环境信息预测它的种类；
2）利用拍摄位置的影像分类。实验结果表明由于这种多尺度的空间表达，Space2Vec在上述两个任务中都击败了众多成熟的机器学习方法，例如RBF，多层神经网络，以及网格镶嵌算法。
更细致的实验分析显示所有的基线方法均只能在一个尺度下较好的描述空间分布，但在其他尺度下的表现很差，与之相反Space2Vec的多尺度空间表达方法可以同时处理多个尺度下的空间分布。
课程链接：//www.mooc.ai/open/course/798
一、CVPR2020丨实体机器人导航中可迁移的元技能的无监督强化学习
视觉导航任务要求智能体能够智能地导航到指定的目标。当前基于深度强化学习的方法往往需要大量的训练数据，而构建丰富的3D仿真环境以及提供任务相关标注是十分昂贵的。本文关注于在低资源的设定下完成视觉导航任务。本文通过提出无监督强化学习方法来获得具有迁移能力的子策略，使得模型能够快速迁移到视觉导航任务。在AI2-THOR环境中，我们的方法实现了最佳的性能，进一步的实验分析证明我们的方法学习到了一些具备迁移能力的元技能，从而帮助模型实现更好的泛化。
论文：//arxiv.org/abs/1911.07450
课程链接：//www.mooc.ai/open/course/766
另外还包括系列论文文字解读，会议数据分析，会议资源下载等。另一部分错了了公开课直播的的也没关系，我们已经对相应课程视频进行编辑并上传社区，可以进入相关课程页面观看视频回放。
课程链接：//www.yanxishe.com/course
疫情拉开了大家的距离，但是学术交流是不会就因为疫情被阻挡的，我们愿架起这座学者之间的桥梁，以最短路径，让更多学者能更快的参与其中，促进学术交流，让知识真正流动！
诚意邀请
在此，我们也诚挚邀请【ICLR 2020】及【CVPR 2020】论文作者，参与分享，这不仅仅是展示研究成果的机会，更是给大家一个沟通交流的机会，让学术真正意义上的流通起来，以最短路径，为更多人所了解。AI 科技评论愿架起疫情期间学者之间的桥梁，提供促进学术交流机会。
请扫码添加微信，备注：会议名称+姓名+单位。
