2020年2月7日-2月12日，AAAI 2020在美国纽约举办，现在已经落下帷幕，我们为你整理了相关新闻和论文，带你回顾这一人工智能盛会。AAAI大会已经公布了最佳论文、最佳学生论文等各大引人瞩目的奖项。其中，最佳论文奖由来自艾伦人工智能研究院和华盛顿大学摘得，最佳学生论文奖由南洋理工大学、清华大学和香港大学联合摘取。
还颁发了特别杰出论文奖、蓝天创意奖、杰出教育家奖、罗伯特·S·恩格尔莫尔纪念奖等其他奖项。AAAI 2020正式开幕，37%录用论文来自中国。链接：https://mp.weixin.qq.com/s/eMoDobZhtr39Q8eRdqa5uQ 来源：AI科技评论 清华姚班“斩获”AAAI 2020最佳学生论文。
链接：https://mp.weixin.qq.com/s/tdohOxNehBvqSoD_7CzDwA 来源：量子位 AAAI 2020最佳论文出炉，800名国人缺席，疫情并未浇灭热情。链接：https://mp.weixin.qq.com/s/QpT-oiocE1n2ZwD4-r-3oQ 来源：机器之心 深度学习三教父再押宝，AI或突破常识瓶颈。
图灵奖获得者、深度学习三巨头Geoffrey Hinton、Yann LeCun、Yoshua Bengio在AAAI聚首，分享各自最新研究成果。三位一致表示深度学习可以克服诸如对抗性示例之类的障碍，甚至可能获得常识。链接：https://mp.weixin.qq.com/s/rxS5kVRi_kMbvmGTksVY6Q 来源：新智元 知识图谱图深度学习研讨会（DLGMA’20）。
该会由英国帝国理工学院Michael Bronstein等人分享“用于功能蛋白设计的几何深度学习”、“图形表示学习：从联想记忆到双曲线几何”等内容，还包含图神经网络的录用论文。链接：https://dlg2019.bitbucket.io/aaai20/ 图神经网络：模型和应用。这篇教程涵盖了对图结构数据的表示学习、图神经网络（GNNs）的健壮性、GNNs的可伸缩性以及基于GNN的应用程序。
由密歇根州大学Yao Ma等人演讲。链接：http://cse.msu.edu/~mayao4/tutorials/aaai2020/图的差分深度学习及其应用。本教程探讨了将微分方程理论引入深度学习方法的最新进展，即微分深度学习，并进一步拓展了此类方法的视野。该课程将展示，图上的差异深度学习是建模结构的有力工具，也是复杂模型的动力，能在药物发现中生成分子图。
链接：http://www.calvinzang.com/DDLG_AAAI_2020.html 统计关系AI（StarAI）研讨会。该研讨会主要讨论有关逻辑（或关系）人工智能，概率或统计人工智能，学习人工智能的神经方法，学习知识图和其他结构化数据。链接：http://www.starai.org/2020/ 自然语言（NLP）复杂质量检查研讨会（RCQA）。
该研讨会举办演讲，主要关注对词嵌入的监督理解，基于段落分解和BERT微调的幽默检测等，探讨自然语言的未来发展趋势。链接：https://rcqa-ws.github.io/ 人机对话的推理与学习研讨会（DEEP-DIAL）。该会聚集了来自全球100多位AI研究人员，围绕人机对话讨论了一系列研究主题，包括探讨对话系统指标评估、最佳对话策略、学习对话管理等。
链接：https://sites.google.com/view/deep-dial2020/home 对话系统技术（DSTC8）研讨会。该研讨会主要探讨多域任务完成、视听场景感知对话框、模式指导的对话状态跟踪等。
链接：https://sites.google.com/dstc.community/dstc8/aaai-20-workshop可解释的人工智能(XAI)教程首先对人工智能（AI）解释的不同方面进行了介绍，将重点放到了使用机器学习的XAI，使用基于图的知识表示和机器学习相结合的XAI这两方面。同时也探讨了技术的局限性和研究挑战，以及XAI的实际应用。
链接：https://xaitutorial2020.github.io/ 其他资料因果推理的表征学习（Georgia、Buffalo、阿里巴巴与Virginia）。因果推理在医疗保健，市场营销，医疗保健，政治学和在线广告等许多领域中都有大量实际应用。本教程主要介绍传统的和最新的表示学习算法，用于估计治疗效果。也将讨论因果推论，反事实和匹配估计量的背景。
链接：http://cobweb.cs.uga.edu/~shengli/AAAI20-Causal-Tutorial.html 迁移表示学习最新进展（宾夕法尼亚大学）。本教程将全面回顾可迁移表示学习方法的最新发展，重点介绍文本、多关系和多媒体数据的可迁移表示方法。除了介绍域内嵌入学习方法外，还讨论各种半监督，弱监督，多视图和自监督学习技术，以连接多个特定于域的嵌入表示。
链接：https://cogcomp.seas.upenn.edu/page/tutorial.202002/ 机器教学Machine teaching（伊利诺伊大学香槟分校）。机器教学是机器学习的逆问题，它旨在根据给定的目标概念构造一个最佳的数据集，以便可以在该数据集上学习目标概念。本教程根据不同类型的机器教学空间，从机器教人类、机器教机器、人类教机器这几个应用来分别介绍。
链接：https://sites.google.com/view/aaai20tutorial-mt/home 棋盘游戏做辅助，进行跳跃式标注（清华大学）。序列文本分类旨在对一条序列文本片段进行标签化。除各个片段内的文本内容以外，考虑文本片段间的上下文依赖依然是影响分类性能的关键因素。先前的文本序列标注技术自左向右地预测对应的文本标签。
然而，在决策过程中，不同的文本片段所需上下文依赖不同并且该些依赖并不一定严格按照自左向右地顺序排放。该文提出一种新的跳跃标注模式，先打标那些需要更少上下文信息的文本片段再考虑那些需要更多上下文的部分。链接：https://mp.weixin.qq.com/s/8X86CeHjrG-xCLS_aDDhVQ 来源：AI科技评论 用于少次关系学习的神经网络雪球机制（清华大学）。
本文对清华大学孙茂松、刘知远团队完成、被AAAI-20录用的论文《Neural Snowball for Few-Shot Relation Learning》进行解读。目前的关系抽取，面临着开放式的关系增长问题，目前已有有监督、半监督、少次学习和自启动关系抽取，这些方法涉及到了三种类型的数据：在已有关系类型上的大规模监督数据，对于新关系的少量标注数据，以及大规模的无监督数据。
高天宇等人提出Neural Snowball，充分利用了这三种数据，进行关系抽取。链接：https://mp.weixin.qq.com/s/8X86CeHjrG-xCLS_aDDhVQ 来源：AI科技评论 四篇AAAI 2020论文，解读微信大规模跨领域文本内容建模研究。
在近期召开的AAAI 2020中，微信数据质量团队共计入选4篇研究论文，包含文本分类、强化学习、迁移学习等领域，其核心算法已经用在微信看一看，搜一搜等应用里面。
链接：https://mp.weixin.qq.com/s/by7sRY12Qv1o2Y2L6XTrWg 来源：机器之心 Geoffrey Hinton新论文「视觉表示对比学习简单框架」自监督学习建立新SOTA-ImageNet准确率76.5%。
深度学习先驱Geoffrey Hinton领衔的Google大脑团队发布了他们在视觉表示对比学习的最新研究成果-SimLCR，建立了新的SOTA视觉ImageNet识别模型，76.5%的top-1准确度，比以前的水平提高了7%，与监督的ResNet-50的性能相当。
链接：https://mp.weixin.qq.com/s/Hk77hnf_wX-yYgaVMrVBbg 来源：专知 信息来源：机器之心、量子位、AI科技评论、新智元、专知等。