本文就主题模型的评价指标进行讨论，对当下比较热门的评价方法进行总结。

随着机器学习（ML）领域的深入发展，机器人在教育、引导、医疗方面都有巨大的应用。但如今人们不仅关注于机器人执行任务的准确和效率，更希望理解其决策的原因和行动，从而判断是否信任答案，而这正也是可解释人工智能（XAI）所要研究的问题。

欧盟地平线 2020 项目是欧盟有史以来规模最大的研究与创新计划。

本文综述了两篇在迁移学习中利用权值调整数据分布的论文。通过这两个重要工作，读者可了解如何在迁移学习中进行微调的方法和理论。

在传统数据压缩算法不断发展的同时，近年来深度学习网络也应用于数据压缩中获得了很好的效果。

博弈论和机器学习能擦出怎样的火花？本文作者王子嘉通过回顾总结近年来博弈论和机器学习领域的交叉研究工作，为读者展示了这一领域最新的研究图景。

本文从迁移学习、强化学习中的迁移学习、强化学习中的迁移技术最新进展三个部分向大家分享，如何帮助强化学习更好地落地到实际问题。

人工智能之父马文·明斯基曾提到过，「如果机器不能够很好地模拟情感，那么人们可能永远也不会觉得机器具有智能」。

文章作者尝试使用 LSTM 模型对智能家居里的活跃设备进行预测，从而猜测用户正在家里使用什么类型的设备

利用联邦学习技术直接在设备本地端探索训练统计模型的分布式机器学习处理框架受到越来越多的关注。

本文是一篇关于机器人模仿学习的文章，通过综述这一领域的进展，读者可以了解最新的少样本模仿学习领域研究成果。

作为计算机视觉领域的三大顶会之一，第32届计算机视觉与模式识别会议（CVPR）于6月16日在美国加州长滩召开。Facebook研究院在该会议上介绍了他们在视觉领域的最新进展。