NIPS2019Selfattention with Functional Time Representation Learning

Learning Time-Aware Distributed Representations of Locations from Spatio-Temporal Trajectories

The Future of Real-Time SLAM and Deep Learning vs SLAM.

In this paper, the problem of adaptive backstepping repetitive learning control is addressed for a c

In this paper, a direct learning control scheme is proposed for a class of discrete-time systems tra

图表示学习，是2018年火爆全球的一个深度学习方向，从以Line, meta-path等为首的节点表示学习，到以GCN，GraphSAGE，为首的图卷积方法，在到近期的以GraphVAE为首的生成图模

图表示学习，是2018年火爆全球的一个深度学习方向，从以Line, meta-path等为首的节点表示学习，到以GCN，GraphSAGE，为首的图卷积方法，在到近期的以GraphVAE为首的生成图模

这是一篇NIPS2017年的论文作者演讲的ppt，TernGrad是一种梯度量化方法，将浮点梯度随机量化到{-1,0,+1}，在保证识别率的情况下，大大降低梯度通信量.这篇文章降低了通讯量，可以应用在

TensorFlow实现NIPS论文TriangleGenerativeAdversarialNetworks

文档总结了nips2018的论文下载链接，可以利用各种批量下载工具来实现下载。

2016NIPS上关于varitionalinference的toturial