neurips

由来自世界各地的专业分析师为你解读前沿进展，技术热点和经典论文。我们的分析师团队由来自于各大名校的硕士和博士，以及一线研究机构的研究员组成。 每年一度的NeurIPS是神经网络研究者的盛会，汇聚数以千计的论文，呈现思维碰撞的火花

主流机器学习模型的基本假设是训练和测试数据的独立同分布（IID），导致其缺乏对分布外数据的泛化能力（Out-Of-Distribution Generalization），使得当前模型在真实、开放场景下的预测性能无法保证，是当前机器学习研究的公认重要难题之一。本报告将重点介绍面向分布外泛化的稳定学习最新研究进展，并针对首届分布外泛化图像分类挑战赛NICO Challenge进行全面介绍和技术分析。 崔鹏，清华大学计算机系长聘副教授，博士生导师

偏微分方程在许多学科和工程应用中扮演着重要的角色，例如物理系统的建模，计算化学，流体力学和数值天气预报等。基于偏微分方程对系统未来的演化进行预测往往需要依赖数值解法。传统数值解法在遇到高维问题，复杂边界，参数变化时，将会遇到计算效率不高，结果不可复用等问题

特征脸（Eigenface）是指用于机器视觉领域中的人脸识别问题的一组特征向量。使用特征脸进行人脸识别的方法首先由Sirovich and Kirby (1987)提出，并由Matthew Turk和Alex Pentland用于人脸分类。该方法被认为是第一种有效的人脸识别方法