顶会AAAI 2020九篇教程ppt整理！看看别人的课件是怎么做的

AAAI 2020的Tutorial部分已经结束，本次大会共有23场教程演讲（可解释AI分为两场），其中不乏谷歌、微软、Facebook、亚马逊的身影。截止目前，小编共整理了9份教程的ppt，作为第一部分的资源分享给大家。

资料整理情况

这9篇教程分别是通过文本生产进行艺术创作、因果推理的表征学习、人类与AI互动的准则，公平资源分配的最新进展，同行评审和其他社会技术智能系统中的公平与偏见，可解释AI，图的差分深度学习及其应用，强化学习中的探索和开发，使用ROSPlan的AI规划机器人技术。

 

[SP5Q:CreativeandArtisticWritingviaTextGeneration](https://lijuntaopku.github.io/AAAI2020-tutorial/)[SP3:RepresentationLearningforCausalInference](http://cobweb.cs.uga.edu/~shengli/AAAI20-Causal-Tutorial.html)[SA5Q:GuidelinesforHuman-AIInteraction](https://mp.weixin.qq.com/cgi-bin/appmsgt=media/appmsg_edit&action=edit&type=10&appmsgid=100002350&token=1765815942&lang=zh_CN)[SA3:RecentAdvancesinFairResourceAllocation](https://users.cs.duke.edu/~rupert/fair-division-aaai20/index.html)[SA2:FairnessandBiasinPeerReviewandotherSociotechnicalIntelligentSystems](http://www.cs.cmu.edu/~nihars/tutorials/AAAI2020/)[SA1:ExplainableAI:Foundations,IndustrialApplications,PracticalChallenges,andLessonsLearned](https://xaitutorial2020.github.io/)[FP1:DifferentialDeepLearningonGraphsanditsApplications](http://www.calvinzang.com/DDLG_AAAI_2020.html)[FA3:Exploration-ExploitationinReinforcementLearning](https://rlgammazero.github.io/)>[FA2:AIPlanningforRoboticswithROSPlan](https://kcl-planning.github.io/ROSPlan/demos/conference_pages/tutorialAAAI2020.html)

 

作品一览

 

SP5Q: Creative and Artistic Writing via Text Generation

文本生成和自动书写已逐渐成为人工智能界的前沿研究之一。为了促进文本生成的发展，我们在本教程中总结了现有的研究并概述了其技术实现。我们专注于创意和艺术写作，包括讲故事，诗歌创作，多模式诗歌/故事创作和歌词创作。此外，我们将详细阐述艺术文字生成和现有高级解决方案的“核心”挑战。

 

 

SP3: Representation Learning for Causal Inference

因果推理在医疗保健，市场营销，政治和在线广告等许多领域中都有大量实际应用。作为因果推理中的一个基本问题，治疗效果估计已在统计学中进行了数十年的广泛研究。但是，传统的治疗效果估计方法可能无法很好地处理大规模和高维异构数据。近年来，新兴的研究方向在人工智能领域引起了越来越多的关注，该领域结合了传统治疗效果估计方法（例如匹配估计器）和高级表示学习方法（例如深度神经网络）的优势。在本教程中，我们将介绍传统的和最先进的表示学习算法，以估计治疗效果。也将讨论因果推论，反事实和匹配估计量的背景。我们还将展示这些方法在不同应用领域中的应用。

 

 

SA5Q: Guidelines for Human-AI Interaction

这是一篇来自微软的教程，由于相当多的研究注意力集中在改善AI和ML系统的原始性能上，而很少关注促进有效的人机交互的最佳方法。基于AI的系统由于其概率性行为和固有的不确定性，从根本上不同于传统的计算系统，并且AI功能与用户体验（UX）设计之间的不匹配会导致令人沮丧甚至有害的结果。因此，提供合适的用户体验有益AI系统的开发和部署，它能帮助AI开发人员在模型选择，目标函数设计和数据收集方面做出明智的决策。本教程将向观众介绍一套完整的指导方针，以指导构建流畅的人机交互的系统和界面，为AI系统在初始交互，常规交互，不可避免的错误以及随着时间的流逝应如何行为提供了最佳实践的建议。最重要的是，本教程还将反思研究和工程方面的挑战，其解决方案可以使现实AI系统的此类准则得以实施。

 

 

SA3: Recent Advances in Fair Resource Allocation

资源分配环境下的公平性在微观经济学中已被正式研究了数十年，在计算机科学中也被研究了几十年。本教程将概述有关资源公平分配的文献。它将着重于文献中提出的各种公平定义以及保证这些公平概念的算法。重点将放在最近的进展上，但是不需要任何背景知识。

 

 

SA2: Fairness and Bias in Peer Review and other Sociotechnical Intelligent Systems

在所有对社会有影响的决策中，公平和偏见的问题比比皆是。无论是设计用于研究论文的同行评审的协议，制定聘用政策，还是在遗传学中提出研究问题，任何可能分配利益或造成损害的决定都会引起人们对得失的认识，

本教程将探讨技术与社会之间的互动以及有关公平和偏见的两个角度。我们的演讲涵盖了广泛的学科视角，第一部分侧重于技术的社会影响以及对通过受保护特征定义的公平和偏见进行表述，第二部分深入同行评议，以探索其他形式的偏见，例如主观性，校准错误和欺骗。

 

 

SA1: Explainable AI: Foundations, Industrial Applications, Practical Challenges, and Lessons Learned

有关可解释AI的教程，我们已在之前的文章中进行了详细的描述。

 

 

FP1: Differential Deep Learning on Graphs and its Applications

本教程探讨了将微分方程理论引入深度学习方法（称为微分深度学习）的最新进展，并通过强调图进一步拓宽此类方法的视野。我们展示的差异深度学习是用于对复杂系统结构和动力学进行建模以及在药物发现生成新分子的强大工具。

 

 

FA3: Exploration-Exploitation in Reinforcement Learning\

大多数最新的强化学习（RL）算法需要大量数据来学习令人满意的策略，并且不能在样本价格昂贵和/或进行长时间人机交互的领域中使用。迈向采样效率更高的算法的基本步骤是，设计出一种方法，以恰当地平衡对环境的探索，收集有用的信息并对所学策略的尽可能地利用。教程目的是使人们认识到提高现代RL算法的采样效率方面的重要性。

 

 

FA2: AI Planning for Robotics with ROSPlan

本教程介绍了AI机器人技术规划，机器人操作系统（ROS）和ROSPlan的要点。还将概述集成AI Planning和机器人技术的最新进展。主要目标是解释这种集成，描述它如何对两个社区都有利，最后，与会者能够在简单的机器人仿真中立即尝试AI计划技术。