NeurIPS于1986年在美国加州理工学院和贝尔实验室组织的雪鸟神经网络计算年度闭门论坛上首次提出，旨在促进神经信息处理系统相关的生物学、技术、数学和理论的研究交流。近年来，NeurIPS被公认为机器学习领域的顶级会议，专注于机器学习、人工智能和统计方面的论文。同时，NeurIPS的研究课题还涵盖了计算神经科学、认知科学、心理学、计算机视觉、统计语言学和信息论等领域。
第34届神经信息处理系统大会于2020年12月6日至2020年12月12日在网上召开。作为人工智能和机器学习领域的顶级国际会议，NeurIPS旨在促进神经信息处理系统的研究交流，并在同行会议上介绍和讨论新颖的研究。
根据NeurIPS大会的相关议题，Springer特别推出了神经信息处理系统专集。本画册收录了最新出版的精选书籍和一些高质量的期刊文章。比如下载量超过20万次的《自然语言处理的OA图书Presentation Learning》和著名人工智能专家杨强教授团队的前沿新书《联邦学习》(Federated Learning)，以及发表在《国际计算机视觉杂志》、《神经计算与应用》、《机器学习》等期刊上的文章。
精选图书推荐
机器学习的加速优化
作者林，；李、桓；方，丛，非凸优化的加速算法
本书全面总结了机器学习中一阶加速优化算法的最新进展。该书讨论了不同情况下的各种方法，包括确定性和随机算法，同步和异步算法，适用的约束和无约束问题，凸和非凸问题。这本书系统地阐述了概念，理论和证明，并致力于提供一个自成一体的介绍。本书可作为对机器学习和优化感兴趣的研究人员、学生或工程师的阅读材料和参考书。
线性代数与机器学习优化
非凸优化的加速算法
这本书介绍了线性代数和机器学习中的优化算法，并提供了例子和练习。在每章的结尾，有一个练习问题解决手册供教学讲师使用。本书面向计算机科学、数学和数据科学领域的研究生和教授，高年级本科生也可以使用本教材。初学者在机器学习中经常面临的挑战是线性代数和最优化需要广泛的背景知识。所以通常需要完成比学习机器学习更多的课程材料。此外，与其他以应用为中心的设置相比，来自线性代数和优化算法的一些类型的思想和技能经常出现在机器学习中。因此，开发更适合机器学习特定角度的线性代数和优化算法具有重要价值。
人工智能的矩阵代数方法
张，冼达，机器学习
矩阵代数在人工智能的许多核心领域发挥着重要作用，包括机器学习、神经网络、支持向量机和进化计算。本书对这四个领域的矩阵代数理论和方法进行了全面深入的介绍，也从理论矩阵代数的角度解读了当前人工智能的研究热点。该书的内容主要包括两部分:第一部分详细介绍了矩阵代数的基础知识；第二部分是聚焦矩阵代数在人工智能领域的应用。其中，矩阵代数在图计算、网络计算、卷积神经网络和帕累托优化理论中的应用是该书的重点内容。本书是第一部系统阐述矩阵代数在人工智能中应用的专著。介绍了机器学习树、神经网络树和进化计算树。
深度强化学习:基础、研究和应用
编辑:董、郝；丁、；张，上杭，扫码，限时阅读，开章强化学习入门
这本书分为三个部分，涵盖了强化学习所需的全部内容。第一部分介绍了强化学习的基础知识，常用的深度强化学习算法及其实现方法。第二部分介绍了深度强化学习的研究方向选择，对希望开展相关研究的读者具有重要意义。为了帮助读者更深入地理解深度强化学习的细节，并将相关技术应用于实践，本书第三部分细致地讲述了大量应用的实现细节，如机器人学习和奔跑、机械手控制、下围棋、多智能体平台等。，并提供相关的开源代码。
自然语言处理中的表征学习
作者:刘、致远；林、；孙茂松
本书全面介绍了表征学习技术在自然语言处理中的理论、方法和应用，包括三个部分:第一部分介绍了词、短语、句子、文档等不同粒度语言单元的表征学习技术；第二部分介绍了与自然语言密切相关的世界知识、语言知识、复杂网络和跨模态数据表示学习技术。第三部分对相关开放资源和工具进行了梳理，探讨了自然语言处理中呈现学习技术面临的重要挑战和未来的研究方向。这本书对于自然语言处理和人工智能的基础研究有一定的参考意义。不仅适合专业人士了解自然语言处理和表征学习的前沿热点，也适合机器学习、信息检索、数据挖掘、社会网络分析、语义网等其他相关领域的学者和学生。
学习游戏:强化学习和游戏
作者:Aske Plaat，导言
在这本教科书中，作者以最近在玩游戏方面的突破为灵感，来解释深度强化学习是如何工作的。该书首先介绍了智能和游戏的核心概念、环境和社区，然后将主要内容分为以下几章:强化学习、启发式编程、自适应采样、函数逼近和自我游戏。作者采用动手操作的方法，通过Python代码示例和练习，帮助读者理解AI是如何学习玩游戏的。他还提供了主要文本，其中包含在线机器学习框架的详细指针和AlphaGo的技术细节，如何下围棋和象棋，以及对它进行编程的注释和一个全面的参考资料列表。
双重学习
论秦、陶对意象翻译的双重学习及超越
这本书是第一部关于双重学习的系统而全面的专著。全书分为五个部分:第一部分简要介绍机器学习和深度学习的基本概念。第二部分介绍了双重重构的原理及其在机器翻译、图像翻译、语音处理和计算机视觉等自然语言处理中的应用。第三部分介绍了基于概率的对偶学习原理，包括基于联合概率公式的对偶监督学习和对偶推理，以及基于边际概率公式的对偶半监督学习。第四部分回顾了双重学习的各种理论研究，并讨论了它与其他学习范式的联系和区别。第五部分系统总结了当前的研究工作，并展望了未来的研究方向。
联合学习
编辑:杨、强；范，立信；虞、韩，威胁密学
自从欧盟最近推出一项新法案《通用数据保护条例》以来，联邦学习受到了越来越多的关注。因为联合学习可以实现机器模型的协同训练，而不会公开它们的私有数据。本书由三部分组成:第一部分介绍了用于保护联邦学习模型免受不同类型攻击的不同隐私保护方法。第二部分提出了鼓励个人参与联邦学习生态系统的激励机制。第三部分描述了如何在工业和商业中应用联邦学习来解决数据孤岛和隐私保护问题。
限时打开文章
可持续的地球局部保持匹配gARDIS:瑞典历史手写数字数据图像修复:综述没有伦理学就没有人工智能伦理学半监督学习综述用于时间序列分类的深度学习:综述用于一般对象检测的深度学习:综述Grad-CAM:通过基于梯度的定位来自深度网络的可视化解释利用基于图嵌入的基因网络重建中的因果关系动态嵌套采样:参数估计和证据计算的改进算法
版权声明本文由施普林格自然北京办公室编译。中文内容仅供参考，所有内容以英文原版为准。如需转载，请联系marketingchina@springernature.com 2020施普林格，施普林格自然的一部分。保留所有权利。
