数字人研讨

生成对抗网络（Liquid Warping GAN）是一种先进的技术，可以用于创建逼真的数字人物。这项技术的研究论文可以在以下链接找到：https://arxiv.org/abs/1909.12224。

行业报告

AI与机器人领域已经取得了许多重要进展。一篇名为《AI与机器人的 42 个大成绩》的报告详细介绍了这些成就，可以在以下链接查看：https://share.weiyun.com/5IM4LFU。另一篇报告《智能时代的技术伦理观——重塑数字社会的信任》探讨了智能时代的技术伦理问题，这份报告可以在以下链接获取：http://www.cbdio.com/image/site2/20190729/f42853157e261ea8a87f55.pdf。

AI+内容

新一代海量数据搜索引擎 TurboSearch 提供了强大的搜索功能，可以帮助用户快速找到所需的信息。更多关于 TurboSearch 的详细信息可以参考以下链接：https://cloud.tencent.com/developer/article/1548031。

多模态研讨

视频问答技术可以通过自注意力和交互注意力模型实现，这种技术可以用来回答视频中的问题。更多信息可以在以下链接找到：https://www.aaai.org/ojs/index.php/AAAI/article/view/4887。此外，还有其他几种新方法可用于描述视频中的视觉内容，这些方法可以在以下链接找到：https://arxiv.org/abs/1805.12589 和 https://arxiv.org/abs/1811.10787。另一种基于自然语言定位视频内容的新机制 SCDM 也在研究之中，详情见：https://papers.nips.cc/paper/8344-semantic-conditioned-dynamic-modulation-for-temporal-sentence-grounding-in-videos。

强化学习

元学习方法 LIIR 是一种用于多智能体强化学习的高效方法，具体内容可以在以下链接找到：https://papers.nips.cc/paper/8691-liir-learning-individual-intrinsic-reward-in-multi-agent-reinforcement-learning。另一种强化学习框架 DAPPO，通过增强策略优化算法来提高效率，相关研究可以在以下链接找到：https://papers.nips.cc/paper/8842-divergence-augmented-policy-optimization。此外，还有一种针对训练数据选择方法的强化学习框架，更多细节可见：https://www.aclweb.org/anthology/P19-1189。

自动机器学习

神经网络架构变形器 NAT 可以帮助设计更加高效的神经网络结构，相关信息可以在以下链接找到：https://nips.cc/Conferences/2019/Schedule?showEvent=13305。另一种基于分布的贝叶斯优化算法 DistBO 可以提升超参数优化的效果，详情见：https://papers.nips.cc/paper/8905-hyperparameter-learning-via-distributional-transfer。此外，通过迁移真实图像的知识来引导素描图片识别网络的学习过程也是一种有效的技术，具体内容可以在以下链接找到：https://www.aaai.org/ojs/index.php/AAAI/article/view/4955。基于渐进式特征对齐的无监督域自适应方法也是一种重要的技术，更多信息可见：https://arxiv.org/abs/1811.08585。此外，还有一些无标签类别自适应算法，可以在以下链接找到：https://link.springer.com/chapter/10.1007/978-3-030-32239-740 和 https://link.springer.com/chapter/10.1007/978-3-030-32254-048。协同通道剪枝（Collaborative Channel Pruning）是一种有效压缩卷积神经网络（CNN）的方法，相关内容可以参考：http://proceedings.mlr.press/v97/peng19c/peng19c.pdf。另一种用于压缩 CNN 的方法可以在以下链接找到：http://openaccess.thecvf.com/contentCVPR2019/papers/LiCompressingConvolutionalNeuralNetworksviaFactorizedConvolutionalFiltersCVPR2019_paper.pdf。

其他机器学习方法

DropEdge 方法是一种用于图神经网络的正则化技术，更多细节可以在以下链接找到：https://arxiv.org/abs/1907.10903。图采样算法 AS-GCN 可以用于大规模图数据的处理，更多信息可见：https://arxiv.org/abs/1904.12659。复杂社交网络的分析也是当前研究的一个热点，相关内容可以在以下链接找到：https://arxiv.org/abs/1904.05003。对抗攻击技术可以用于评估机器学习模型的安全性，更多信息可见：https://arxiv.org/abs/1908.01297。HSML 是一种高效的元学习算法，更多细节可以在以下链接找到：http://proceedings.mlr.press/v97/yao19b/yao19b.pdf。一种高效的特征提取方法可以在以下链接找到：https://arxiv.org/abs/1811.08979。跨模态学习方法（CMLA）可以通过对抗样本实现，更多信息可见：https://papers.nips.cc/paper/9262-cross-modal-learning-with-adversarial-samples。

语音

端到端合成建模方案 DurIAN 可以用于生成高质量的语音，更多信息可以在以下链接找到：https://arxiv.org/abs/1909.01700。

自然语言处理

结合检索和生成技术的骨架生成技术可以提高对话系统的性能，更多细节可以在以下链接找到：https://ai.tencent.com/ailab/nlp/dialogue/papers/EMNLP2019cd.pdf。团圆型变分自编码器（Discrete CVAE）是另一种用于对话系统的技术，更多信息可见：https://ai.tencent.com/ailab/nlp/dialogue/papers/EMNLP2019jungao.pdf。一个大规模预训练语言模型也可以用于提高自然语言处理的效果，相关内容可以在以下链接找到：http://arxiv.org/abs/1911.11489。单轮对话数据集和多轮对话数据集分别可以在以下链接找到：https://arxiv.org/abs/1907.10302 和 https://ai.tencent.com/ailab/nlp/dialogue/papers/EMNLP_zhufengpan.pdf。自注意力模型的改进方法可以在以下链接找到：https://arxiv.org/abs/1909.02222。篇章翻译的相关研究可以在以下链接找到：https://arxiv.org/abs/1909.00369。自注意力模型的词序学习能力也可以通过相关研究来提升，更多信息可见：https://www.aclweb.org/anthology/P19-1354。多层翻译模型中的词对齐问题也值得研究，相关内容可以在以下链接找到：https://www.aclweb.org/anthology/P19-1124。