智源唐杰主编的IEEE Transactions on Big Data期刊被SCI收录

今日，IEEE Transactions on Big Data (简称：IEEE TBD）被SCI收录。IEEE TBD成立背景：随着人类社会进入数字化时代，产生的数据也在爆发式增长，这些大数据在不断改变我们的世界，同时大数据也是 IEEE 的重要主题。2015 年，IEEE TBD由著名的人工智能领域专家杨强博士创刊。

目前 IEEE TBD 的执行主编是清华大学计算机系教授、智源研究院副院长唐杰。

据悉，IEEE TBD将始终坚持发表关于大数据系统、理论和实践领域高质量文章的期刊，并在全球范围内鼓励与支持大数据、知识工程、人工智能等多学科的工作

期刊主页：https://www.computer.org/csdl/journal/bd

Jeff Dean万字长文回顾2020谷歌技术发展

近日，谷歌首席架构师和人工智能业务负责人Jeff Dean发表博客文章，总结了2020年谷歌在人工智能的主要进展。在技术方面，谷歌的主要进展包括语言可解释性工具（LIT）、Meena对话聊天机器人模型、SimCLR自监督学习算法、离线强化学习、自动机器学习模型AutoML-Zero、无限宽神经网络训练工具Neural Tangents和能够渲染3D计算机图像数据机器感知的框架等。在应用方面，谷歌的主要进展包括AI公共卫生研究模型和应用程序、HydroNet洪水预测等气象学研究模型，以及帮助视力障碍人群识别食品包装袋和配方的手机智能应用等。

展望2021年及以后的发展，Jeff Dean指出谷歌将着重推进这三个方面的工作：促进研究的完整性；负责任的人工智能发展；推进多样性、公平和包容。

原文地址：

https://ai.googleblog.com/2021/01/google-research-looking-back-at-2020.html

CV技术在医疗领域中有哪些应用？Salesforce、谷歌、斯坦福综述文章登上Nature子刊

最近，来自 Salesforce AI 研究院、谷歌、斯坦福大学等机构的研究人员合作撰写了一篇文章，综述了基于深度学习的计算机视觉技术在医疗领域中的现状与应用。该论文发表在 Nature 旗下期刊 npj Digital Medicine 上。

论文摘要：十年来，人工智能取得了前所未有的进展，包括医学在内的许多领域都有望从中受益。在该论文中，研究者调查了以深度学习为支撑的现代计算机视觉技术在医学领域的最新进展，重点包括医学成像、医疗视频和临床部署。

该论文首先简要概述了卷积神经网络的十年进展，包括它们在医疗领域中实现的视觉任务。接下来，论文讨论了一些有益的医学成像应用示例，涉及心脏病学、病理学、皮肤病学、眼科医学，并为后续研究工作提出了新的方向。此外，研究者还介绍了医疗视频，重点介绍了如何将临床工作流程与计算机视觉结合来改善医疗效果。最后，论文讨论了在现实世界中部署这些技术面临的挑战和障碍。

论文地址：

https://www.nature.com/articles/s41746-020-00376-2#Sec6

Facebook 声称AI可以使用 X 射线预测 COVID-19 的结果

Facebook 和纽约大学的研究人员近日声称已经开发了三种机器学习模型，可以帮助医生预测 COVID-19 患者的病情可能如何发展。这些开源模型都只需要 X 射线序列，表面上可以预测患者提前至少四天恶化，并预测患者可能需要的补充氧气量（如果有）。与此前 COVID-19 研究有所不同的是，Facebook 和 NYU 所采用的方法试图预测长期的临床轨迹。目前斯坦福大学，西奈山大学和电子病历供应商 Epic 和 Cerner 已经开发出可以为患者死亡或需要呼吸机的机会提供风险评分的模型，但是很少（如果有的话）可以通过一次扫描或电子病历做出这些预测。

2021斯坦福图机器学习课程CS224W开课，Jure Leskovec主讲

图是一种强大的数据结构，可以用于建模许多真实世界的场景，图能够对样本之间的关系信息进行建模。但是真实图的数据量庞大，动辄上亿节点、而且内部拓扑结构复杂，很难将传统的图分析方法如最短路径、DFS、BFS、PageRank 等算法应用到这些任务上。因此有研究者提出将机器学习方法和图数据结合起来，即图机器学习，这逐渐成为近年来机器学习中的一股热潮，特别是图神经网络（GNN）。

此前，斯坦福大学计算机学院副教授 Jure Leskovec 等人开了一门课程——CS224W，主题是图机器学习。Jure Leskovec 也是图表示学习方法 node2vec 和 GraphSAGE 的作者之一。

最近，CS224W 2021 冬季课程开课了。这门课程主要聚焦分析大量图时所面对的计算、算法和建模挑战。通过研究底层图结构及其特征，学习者可以了解机器学习技术和数据挖掘工具，从而在多种网络中有所发现。这门课程涉及的主题包括：表征学习和图神经网络；万维网算法；基于知识图谱的推理；影响力最大化；疾病爆发检测；社交网络分析。

课程主页：http://web.stanford.edu/class/cs224w/

点击左下角“阅读原文”，了解更多！