在 @vboykis 的推特上找到的
H ey，欢迎回来，刚度假回来。庆祝感恩节快乐。鉴于假期休息，这是一个缓慢的一周，所以时事通讯会比平时短一点，但这并不意味着我们不能讨论外星人的巨石…
如果你还没听说，在犹他州的一个国家公园里，发现了一块未知的巨石。目前，没有人知道它是从哪里来的。
👽
没多久就有人洗劫了它😭。
👽
法国南部（French Southern Territories 的缩写）
[## 发布 tensor flow 2 . 4 . 0-rc3 tensor flow/tensor flow
github.com](https://github.com/tensorflow/tensorflow/releases/tag/v2.4.0-rc3)
&
您现在可以在 Transformers 库上并行化模型了！
顺便说一下，本周早些时候，我们向大坏 NLP 数据库添加了 50 个新数据集:亮点包括 IndoNLU 基准测试和来自 EMNLP 的几个数据集，感谢 Ulrich Schä fer 和 Neea Rusch 的贡献！
附:如果你喜欢今天的文章，请不要犹豫，给一个👏👏！谢谢大家！
嘿，想要一个关于图形神经网络的精彩介绍吗？发现了威廉·哈密顿的“图形表示学习”书的出版前版本。
它写得非常好，用优雅的简单性说明了机器学习中这个新兴的话题。
目录
- 第一章:引言和动机【草稿。2020 年 9 月更新。】
- 第 2 章:背景和传统方法[【草案。2020 年 9 月更新。]](https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book-Chapter_2-Background.pdf)
第一部分:节点嵌入
- 第三章:邻域重建方法【草稿。2020 年 9 月更新。】
- 第 4 章:多关系数据和知识图【草稿。2020 年 9 月更新。】
第二部分:图形神经网络
- 第五章:图形神经网络模型[【草案】。2020 年 9 月更新。]](https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book-Chapter_5-GNNs.pdf)
- 第六章:实践中的图形神经网络。2020 年 9 月更新。]
- 第七章:理论动机[【草稿。2020 年 9 月更新。]](https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book-Chapter_7-GNN_Theory.pdf)
第三部分:生成图模型
- 第八章:传统图形生成方法[【草稿】。2020 年 9 月更新。]](https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book-Chapter_8-Traditional_Graph_Generation.pdf)
- 第九章:深度生成模型【草稿。2020 年 9 月更新。】
[## 图形表示学习手册
www.cs.mcgill.ca](https://www.cs.mcgill.ca/~wlh/grl_book/)
PDF 图形表示学习
语言能帮助我们更好地训练模型吗？
“同样，我们可以采用输入 x，并提取特征(例如，某些单词的存在)来训练模型，我们可以使用解释来提供附加特征。”
在斯坦福人工智能的一篇新博客文章中，他们讨论了为什么通过语言教授模型知识如此困难的问题，以及从 NLP 角度(即他们讨论了今年早些时候的 ExpBERT 论文)和计算机视觉角度(即他们的视觉感知论文)的可能解决方案
ai.stanford.edu](http://ai.stanford.edu/blog/learning-from-language/)
ExpBERT 在博客中讨论的 GitHub:
github.com](https://github.com/MurtyShikhar/ExpBERT)
来自 PaperSpace 的有趣的博客文章讨论了 PyTorch 中的 DataLoader 类。如果您对使用预先存在的数据集感兴趣，或者甚至对在数字或文本数据上使用您自己的自定义数据集感兴趣，他们在 PyTorch 中总结了这个方便的类。目录:
- 处理数据集
- PyTorch 中的数据加载
- 深入查看 MNIST 数据集
- 转换和重新调整数据
- 在 PyTorch 中创建自定义数据集
博客:
[## PyTorch | Paperspace 博客中的 DataLoader 类的完整指南
blog.paperspace.com](https://blog.paperspace.com/dataloaders-abstractions-pytorch/)
一个使用转换器为带有不同口音的英语语音数据建模的库。
github.com](https://github.com/Bartelds/neural-acoustic-distance)
Repo 用于在实体和实体出现的上下文(即句子)对上训练潜在变量生成模型。他们的模型可用于执行提及级别和配对级别的分类。
github.com](https://github.com/BenevolentAI/RELVM)
一个新的自然语言生成(NLG)基准，由 8 个语言生成任务组成，包括抽象文本摘要(CNN/DailyMail，Gigaword，XSUM，MSNews)，答案感知问题生成(SQuAD 1.1，MSQG)，对话式问题回答(CoQA)，个性化对话(Personachat)。
github.com](https://github.com/microsoft/glge)
此外，
微软强调了一个新的预训练语言模型，称为 ProphetNet，用于序列到序列学习，具有一个新的自我监督目标，称为未来 n-gram 预测。
github.com](https://github.com/microsoft/ProphetNet)
OPENTQA 是教科书问答任务的开放框架。教科书式的问题回答(TQA)是在一个由大量文章和图表组成的多模态背景下，回答一个图表/非图表问题。
github.com](https://github.com/keep-smile-001/opentqa)
QuAIL 包含 15K 多项选择题，文本长度为 300-350 个标记，跨越 4 个领域(新闻、用户故事、小说、博客)。
github.com](https://github.com/text-machine-lab/quail/) 
神话；传奇
每周日，我们都会对来自世界各地研究人员的 NLP 新闻和代码进行一次每周综述。
如需完整报道，请关注我们的 Twitter: @Quantum_Stat
量子统计**