科学家提出连续多视角任务学习让机器人“更快”认知不同世界
为解决现存大部分的多视角任务学习模型不能快速学习新任务的问题，中国科学院沈阳自动化研究所机器人学研究室科研团队提出了一种连续多视角任务学习算法，可使机器人“更快”地认知世界。
深度连续多视角任务学习让机器人更快认知世界
相关成果以ContinualMultiview Task Learning via Deep Matrix Factorization为题发表于IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS。
AI破壁计划 第69讲：矩阵分解——推荐系统的“代数灵魂”
【一句话核心】矩阵分解，通过将庞大的用户-物品评分矩阵拆解为两个低维矩阵的乘积，从而挖掘潜藏的用户偏好和物品特征，是现代推荐系统的核心算法。【庖丁解牛】上一讲提到的“填表”，本质上是矩阵补全问题。矩阵分解（Matrix Factorization）是解决它的数学引擎。
研究揭示四种不同脑网络损伤模式的阿尔茨海默病亚型
该研究基于多中心功能磁共振影像，揭示了四种具有不同脑网络损伤模式的阿尔茨海默病亚型，并系统评估了不同亚型在功能连接、脑萎缩和认知能力上的差异。
智能推荐系统介绍
一、什么是智能推荐系统？智能推荐系统旨在根据用户的兴趣、行为和偏好，向用户推荐他们可能感兴趣的内容。它主要包括以下几个核心组件：用户数据收集：收集用户的行为数据、偏好和社交关系等信息，构建用户画像。内容数据管理：管理各种类型的内容数据，包括商品、文章、视频、音乐等。
模拟计算进入矩阵时代！北大联手硅谷IBM，写下新定义
左起:Shahar Kvatinsky ，孙仲，Abu Sebastian ，Piergiulio Mannocci。
推荐系统干货总结
前言推荐系统是一个相当火热的研究方向，在工业界和学术界都得到了大家的广泛关注。
人工智能顶会真相！深度学习热度高，论文录取率创新低 | 智东西内参
相比而言，作为人工智能领域的首个国际学术性会议，经典 AI 领域的国际人工智能联合会议IJCAI 的论文录取率在 2020 年的这 10 个国 际顶会之中最低，为 12.50%，且相比 IJCAI 2019 年的 17.9%录取率大幅下降，同时也是 IJCAI 会议自 2013 年以来的最低论文接受率，由此可见，随着 IJCAI论文审稿愈来愈严格，论文被该会议接受变得越来越难。
能效比提升超228倍：北大团队研制出新型芯片
IT之家 1 月 23 日消息，我国科学家在高效能计算芯片研发领域取得新进展。北京大学人工智能学院孙仲研究员团队设计并研制出一款专用于“非负矩阵分解”计算的模拟计算芯片。