我们对信息过滤的本质知之甚少 — David 9
还记得我们在GAN大盘点中聊到的infoGAN吗？通过控制隐信息c可以生成特定条件的图像（倾斜更高，宽度更大）：
今年Facebook在NIPS2017上发表的Fader Networks（渐变网络）更近一步，对于更抽象的特征也可以进行条件生成：
如上图，“年轻”，“苍老”，“男性”，“女性”，“是否戴墨镜”，都是可以在生成器生成阶段任意指定。
但是有没有注意到上图demo中，头发的样子始终是不变的，看来Facebook还没有很好地解决头发生成的问题？男性和女性的头发样式明显应该不同，年轻和年老时的头发样式和色泽肯定也是不同的。 继续阅读Facebook渐变神经网络: 通过任意指定属性，操纵生成图像，NIPS2017论文选读1
社会学家似乎也应该拿起AI的工具 — David 9
国人的勤奋总是令人惊讶，上海交大和伦敦大学学院(UCL）在今年nips大会和AAAI2018上发表了一篇有意思的demo paper，MAgent: 一个多智能体的RL增强学习平台, 帮助理解群体智能和社会现象学。先看一下MAgent可视化模拟红蓝两军战斗的demo，通过训练一个共享参数DQN，最后宏观上智能体学会一些协同策略：包围进攻（图1），合力追击（图2）：
作者不仅开源了MAgent平台，而且平台可扩展性和性能似乎相当不错，文章称在单GPU机器上可以同时训练100万个agent智能体，考虑到额外的图形模拟的渲染压力同时有DQN训练压力，C++代码性能确实不错（如果训练时间可以接受的话）。 继续阅读一篇有意思的demo paper: 多智能体的RL增强学习平台, 理解群体智能和社会现象学，AAAI2018论文选读
