- AAAI通过路径和可支配行为探索平台游戏中的层级混合
本研究探讨了通过机器学习进行程序化内容生成技术在游戏领域的应用，着重介绍了如何基于多个游戏领域构建新的自动生成游戏关卡的方法，使用了多个游戏平台的数据，并训练了变分自编码器以跨越各个领域的潜在关卡空间来生成新的内容。
- AAAI使用领域转移和数据合成的低资源数据抽象摘要
该论文通过域转移和数据综合的方法，研究了当应用于学生反思材料等小型文集时，如何提高最近的抽象摘要方法的性能，得到了更高的 ROUGE 分数。
- EMNLP关于去词法化对事实验证的重要性
本研究主要关注在文本蕴涵任务上，探索神经网络在学习和预测时如何赋予数据中的各个方面重要性；实验发现神经网络模型主要根据名词及其短语的词性标签赋予权重，并且这些基于词汇的模型在跨语境时表现较差，但使用语义类别代替实体名词即可显著改善模型性能。
- 交叉视角图像地理定位的最优特征传输
本文提出一种新的交叉视图特征传输（CVFT）技术来明确建立跨视图传输，从而促进地面图像和航空图像之间的功能对齐，实现更有意义的特征相似度比较，明显提高了交叉视图定位性能，预计该领域差异处理的关键洞察将证明在计算机视觉领域中也很有用。
- ICCVHowTo100M: 通过观看亿万叙述视频剪辑学习文本 - 视频嵌入
本文提出了使用具有自然语言注释的视频数据来学习文本 - 视频嵌入。我们介绍了 HowTo100M 数据集，该数据集包含了源自于 1.22 百万个讲解视频的 1.36 亿段视频剪辑，能够用于不同领域的学习，证明结果表明，该嵌入方式适用于不同的 - ACL话题酝酿中！从讨论特征提前预测争议性帖子
使用 Reddit 社群内数据分析，探讨了有争议的帖子的特征和预测算法，并发现集中在初期评论文本和文本结构的讨论特征在预测能力上有显著贡献，特别是在社群转换的情况下。
- 从模拟中学习驾驶技能，无需真实世界标签
该论文研究基于模拟的无人驾驶视觉导航系统，探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。
- 样式增强：通过样式随机化进行数据增强
本文提出了一种基于随机样式转换的数据增广方法，即样式增广，以提高卷积神经网络在分类、回归和领域迁移任务中的鲁棒性。在训练期间，通过从多元正态分布中采样输入样式嵌入，将任意样式转换网络调整为执行样式随机化，以随机化纹理、对比度和颜色，同时保留 - NIPS基于手眼协同观测与连续控制的抓取准确性模拟转现
该研究提出了一种有效的深度学习机器人抓取小圆球的方法，并将整个系统分解为视觉模块和闭环控制器模块两部分来实现。通过在真实背景图像和模拟图像之间进行有效领域转移来训练视觉模块，并使用模仿学习在仿真环境中对闭环控制器进行训练，从而实现了对未知情 - ICCV领域自适应的深度网络压缩
本文研究深度神经网络在领域迁移后的压缩问题，提出一种基于低秩矩阵分解的压缩算法，结合目标域的激活统计信息，在不降低模型性能的情况下将模型参数量压缩至传统技术的 5-20%。
- 从在线仓库学习分层形状分割和标记
该论文提出了一种将几何形状转化为分层分割部件的方法，并使用 “场景图” 和 “部件名称” 建立类别特定模型来训练和分割 3D 形状，最终完成对几何和部件之间的可视化分层和标记，实现了对物体和它们所包含的部分的分层和标记的应用。
- 跨域和跨任务的同时深度迁移
本研究提出一种用于视觉领域适应的 CNN 架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。