NSR专题｜机器学习（特邀编辑：周志华）

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

引   言

当前，人工智能热潮的核心驱动力是机器学习所取得的巨大进步。《国家科学评论》特邀南京大学周志华教授担任编辑组织了“Machine Learning”专题。该专题已于2018年第1期正式出版，所有文章可免费下载，敬请关注。

https://academic.oup.com/nsr/issue/5/1

该专题包括6篇文章和1个访谈，内容覆盖了机器学习中深度学习、多任务学习、弱监督学习、因果学习、图学习等多个重要研究方向。专题作者均为领域内知名专家，且在撰写过程中尽可能考虑到本刊读者的广泛性，很值得一读。

点击文末“阅读原文”或复制文中链接在浏览器打开可免费下载论文。

1.Guest Editorial

Machine learning: recent progress in China and beyond

Zhi-Hua Zhou

Natl Sci Rev (2018) 5 (1): 20.

https://doi.org/10.1093/nsr/nwx132

机器学习已成为人工智能发展的重要驱动力。机器学习的焦点是学习和构造能够从数据中建立预测或描述模型的学习算法。

专题封面

2.Research Highlight

Learning representations on graphs

Jun Zhu

Natl Sci Rev (2018) 5 (1): 21.

https://doi.org/10.1093/nsr/nwx147

清华大学朱军教授介绍了佐治亚理工学院宋乐教授在图数据表示学习方面的重要进展。

朱军

3.Perspectives

Model-driven deep-learning

Zongben Xu and Jian Sun

Natl Sci Rev (2018) 5 (1): 22–24.

https://doi.org/10.1093/nsr/nwx099

西安交通大学徐宗本教授和孙剑教授对有理论基础的深度神经网络结构设计进行了探讨。

徐宗本

孙剑

Deep learning for natural language processing: advantages and challenges

Hang Li

Natl Sci Rev (2018) 5 (1): 24–26.

https://doi.org/10.1093/nsr/nwx110

前华为诺亚方舟实验室主任、现今日头条人工智能实验室主任李航博士对深度学习在自然语言处理中的优势和挑战进行了讨论。

李航

Learning causality and causality-related learning: some recent progress

Kun Zhang, Bernhard Schölkopf, Peter Spirtes and Clark Glymour

Natl Sci Rev (2018) 5 (1): 26–29.

https://doi.org/10.1093/nsr/nwx137

卡内基梅隆大学张坤博士与欧洲机器学习代表性人物、德国马普研究所 Bernhard Schölkopf 教授等人介绍了因果学习方面的研究进展。

张坤

4.Reviews

An overview of multi-task learning

Yu Zhang and Qiang Yang

Natl Sci Rev (2018) 5 (1): 30–43.

https://doi.org/10.1093/nsr/nwx105

香港科技大学张宇博士和杨强教授综述了“多任务学习”的研究进展。

 

张宇

杨强

A brief introduction to weakly supervised learning

Zhi-Hua Zhou

Natl Sci Rev (2018) 5 (1): 44–53.

https://doi.org/10.1093/nsr/nwx106

 

本刊邀请周志华教授贡献了一篇关于“弱监督学习”的综述。

周志华

5.Interview

Machine learning challenges and impact: an interview with Thomas Dietterich

Zhi-Hua Zhou

Natl Sci Rev (2018) 5 (1): 54–58.

https://doi.org/10.1093/nsr/nwx045

国际机器学习学会创始人、国际人工智能学会前任主席 Thomas Dietterich 教授接受了本刊关于机器学习与人工智能的访谈。

Thomas Dietterich

扩展阅读

 

NSR观点| 学习因果关系和基于因果性的学习

NSR观点 | 深度学习与自然语言处理：优势和挑战

NSR观点 | 模型驱动的深度学习

媒体转载联系授权请看下方