该论文来自同级的fga同学。fga同学是一位我挺佩服的同学。 论文地址：https://arxiv.org/abs/2305.19599 共同一作：fga和来自穆罕默德·本·扎耶德人工智能大学（MBZUAI）的Zutao Jiang 其他作者还包括来自华为诺言方舟实验室的几位和梁晓丹老师。 不知道这篇论文会在哪里发表（目前还是arxiv)，也不能断定这篇论文是否具有较大的学术阅读价值，但我认为阅读

来自《A PhD Student’s Perspective on Research in NLP in the Era of Very Large Language Models》 通过汇集来自不同背景的博士生的意见，探索NLP领域丰富的研究方向，避免将研究仅仅局限于大型语言模型。提出了十四个研究领域，每个领域包含了2-4个具体的研究方向，涉及多语言性、推理、知识库、语言基础、计算社会学等主题。

来自发表于Royal Society上的《Astronomia ex machina: a history, primer and outlook on neural networks in astronomy？ 个人评价： 大致算是讲述了人工智能的历史，没有很好的讲述人工智能在天文学的特殊性，生硬的讲述人工智能+天文学，简单的1+1-2，没有看到想要看到的1+1>2。 让我印象最深的是文中

来自《Voice Conversion With Just Nearest Neighbors》 demo地址：https://bshall.github.io/knn-vc/ 代码地址：https://github.com/bshall/knn-vc 简介：任意语音转换旨在将源语音转换为目标语音，仅以目标说话者的几个例子为参考。最近的方法产生了令人信服的转换，但代价是增加了复杂性——使结果难以复

来自Open Samizdat 简介：chatgpt的流行及其各种令人印象深刻的功能使一些人相信它是在现有系统的语言能力上向前迈出的重要一步，nlp领域很快就会被生成语言模型所吞噬，甚至它预示着AGI。 为了验证这些说法，我对arXiv预打印进行了调查，将chatgpt与其他方法进行了比较，主要是使用较小的微调模型。 chatgpt的性能并不像我预期的那样令人印象深刻，因为它经常被更小的模型所超

来自B站UP主五云寨主的《全世界国家计算机方向博士申请和毕业走向粗略分析》 全世界国家计算机方向博士申请和毕业走向粗略分析（新西兰参考澳洲，瑞士参考德国和丹麦） 视频主要简略介绍全世界各国关于申请读博士的不同的要求以及全世界各个国家的学校的博士毕业的主要的出路。 澳大利亚和美国主要是Up主待的比较多的地方,但是对别的国家也有所了解。 内容不算太多。 简单总结：除了美国就是中国，亚洲这块HK 坡县

来自Openai创始人Sam Altman的博客how to be successful，以下大部分为谷歌机译（不得不说，谷歌有些地方翻译得确实不好） Sam Altman的几条建议确实有帮助，值得阅读和思考，也不像我曾经读过的一些夸夸其谈的人生建议浮于表面。 我观察了成千上万的创始人，并思考了很多关于赚大钱或创造重要事物所需要的东西。通常，人们开始想要前者，最终想要后者。 这里有 13 个关于

来自Yann LeCun的Do large language models need sensory grounding for meaning and understanding? Spoiler: YES! 机器学习糟透了! (与人类和动物相比)监督学习(SL)需要大量的标记样本。 强化学习(RL)需要大量的试验。 自监督学习(SSL)需要大量的未标记样本。 目前大多数基于ml的人工智能系统

对于欠拟合模型，我们可以通过早期 dropout 来提高性能——dropout 仅在训练的初始阶段应用，之后关闭。 对于过拟合模型——我们使用后期 dropout，该方法在训练早期不使用 dropout，而是在训练后期才激活。

主要基于 Subgraph federated learning with missing neighbor generation. NIPS’21 Fedni: Federated graph learning with network inpainting for population-based disease prediction. IEEE Transactions on Medic