David Yarowsky博士的研究重点是词义消歧，NLP中的最小监督归纳算法，以及多语言自然语言处理。他在哈佛大学获得计算机科学学士学位，在宾夕法尼亚大学获得计算机和信息科学硕士学位和博士学位。David Yarowsky是著名的yarowsky algorithm的作者，该算法是一种用于词义消歧的无监督学习算法，他的论文最多在google scholar中被引用超过2000次。

个人主页：http://www.cs.jhu.edu/~yarowsky/

Emanuel Todorov是神经科学家，是华盛顿大学运动控制实验室的副教授和主任。他介绍了使用最优控制作为生物运动的正式解释框架，是MuJoCo物理引擎的主要开发者。他被引用次数最多的出版物在Google学术搜索中被引用1871次。Emanuel Todorov还是伦敦大学学院的盖茨比计算神经科学部门的博士后研究员，隶属于Peter Dayan和Geoffrey Hinton，专注于强化学习的研究，是2004年斯隆神经科学奖学金的获得者。

个人主页：http://homes.cs.washington.edu/~todorov/

Serge Belongie是Cornell Tech公司的计算机科学教授。 他以对计算机视觉和机器学习领域的贡献而闻名，特别是对象识别和图像分割，根据Google Scholar，他在这些领域的科学研究被引用超过44,000次。 与Jitendra Malik一起，Belongie提出了Shape上下文的概念，Shape上下文是对象识别中广泛使用的特征描述符。2007年，Belongie和他的合着者在国际计算机视觉会议上发表了一篇论文，获得了Marr Prize荣誉奖。 2015年，他获得了ICCV亥姆霍兹奖，该奖项授予那些为计算机视觉领域做出基本贡献的论文作者。

谷歌学术主页：https://scholar.google.com/citations?user=ORr4XJYAAAAJ&hl=en

Michael Collins是自然语言处理专家，哥伦比亚大学教授，开发了著名的句法分析器Collins Parser。2003年1月至2010年12月，美国麻省理工学院（MIT），助理教授/副教授； 2011年1月至今，美国哥伦比亚大学，Vikram Pandit教席教授。主要成就有获EMNLP 2002, EMNLP 2004, UAI 2004, UAI 2005, CoNLL 2008, EMNLP 2010最佳论文奖。

个人主页：http://www.cs.columbia.edu/~mcollins/

今年54岁的Jürgen Schmidhuber出生于德国，是瑞士人工智能实验室（IDSIA）的研发主任，被称为递归神经网络之父。Schmidhuber本人创立的公司Nnaisense正专注于人工智能技术研发。此前，他开发的算法让人类能够与计算机对话，还能让智能手机将普通话翻译成英语。

个人主页：http://people.idsia.ch/~juergen/

转自 新智元

要说最近学界值得关注的趋势，图神经网络(Graph Neural Network, GNN)或者说图深度学习(Graph Deep Learning)绝对算得上一个。

昨天，阿里巴巴达摩院发布2019十大技术趋势，其中就包括“超大规模图神经网络系统将赋予机器常识”：

单纯的深度学习已经成熟，而结合了深度学习的图神经网络将端到端学习与归纳推理相结合，有望解决深度学习无法处理的关系推理、可解释性等一系列问题。强大的图神经网络将会类似于由神经元等节点所形成网络的人的大脑，机器有望成为具备常识，具有理解、认知能力的AI。

此前，新智元曾经报道过清华大学孙茂松教授组对图神经网络(GNN)的综述(arxiv预印版)，全面阐述了GNN及其方法和应用，便于读者快速了解GNN领域不同模型的动机与优势。

今天，新智元再介绍另一篇清华大学与GNN有关的综述，这次是朱文武教授组发布在arxiv的预印版论文 Deep Learning on Graphs: A Survey。

转自 新智元

最近，图神经网络 (GNN) 在各个领域越来越受到欢迎，包括社交网络、知识图谱、推荐系统，甚至生命科学。

GNN 在对图形中节点间的依赖关系进行建模方面能力强大，使得图分析相关的研究领域取得了突破性进展。本文旨在介绍图神经网络的基本知识，以及两种更高级的算法：DeepWalk 和 GraphSage。

转自 新智元

DeepMind提出的简单而强大的关系推理网络“graph network”终于开源了！

今年6月，由DeepMind、谷歌大脑、MIT 和爱丁堡大学等公司和机构的 27 位科学家共同发表了一篇论文Relational inductive biases, deep learning, and graph networks，提出了图网络（graph network）的概念。“让深度学习也能因果推理”，这篇论文引起了业内的大量关注。

转自 新智元

– 1 –

回顾 2018 年机器学习的进展，2018年6月 DeepMind 团队发表的论文 “Relational inductive biases, deep learning, and graph networks”，是一篇重要的论文，引起业界热议。

随后，很多学者沿着他们的思路，继续研究，其中包括清华大学孙茂松团队。他们于2018年12月，发表了一篇综述，题目是“Graph neural networks: A review of methods and applications”。