课程来源：李宏毅2017机器学习课程
课程主页：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17.html
课程梗概：简要介绍强化学习的基本概念，以及强化学习两种基本的训练方法：policy-based approach 和 value-based approach。

课程来源：李宏毅2018生成对抗网络课程
课程主页：http://speech.ee.ntu.tw/~tlkagk/courses_MLDS18.html
文章梗概：WGAN 作者首先详细证明了为什么原始 GAN 训练困难的问题，然后提出解决方案，用 Wasserstein 距离来衡量两个分布之间的距离。

课程来源：李宏毅2018生成对抗网络课程
课程主页：http://speech.ee.ntu.tw/~tlkagk/courses_MLDS18.html
文章梗概：本文降介绍非监督的条件GAN，只有两个数据域的数据，并不存在pair关系，其中会介绍最为经典的cycleGAN。

课程来源：李宏毅2018生成对抗网络课程
课程主页：http://speech.ee.ntu.tw/~tlkagk/courses_MLDS18.html
文章梗概：本文介绍了条件对抗生成网络，与一般的GAN不同，条件GAN的输入并不是随机向量，而是条件。

Title：Convolutional Networks with Adaptive Computation Graphs
Authors：Andreas Veit, Serge Belongie
Abstract：作者提出了 Adanet，是一种自适应的计算图，在 ResNet 的基础上，加入了门结构来决定是否需要执行某个 block，引入这种门结构并没有带来额外太多的计算量，反而能加快训练过程。

Title：GaterNet: Dynamic Filter Selection in Convolutional Neural Network via a Dedicated Global Gating Network
Authors：Zhourong Chen, Yang Li, Samy Bengio, Si Si
Abstract：conditional computation 是指用网络的一部分层去预测结果，而不是整个网络。这样可以使网络中不同的卷积核能够从不同的样本中学习到特征，一定程度上提高了模型的泛化性能和可解释性。作者提出了一个根据输入样本动态选择卷积核的算法，模型包含两个网络：gater network 和 backbone network，gater network 决定样本通过 backbone network 时需要经过哪些卷积核。

Title：MobileNetV2: Inverted Residuals and Linear Bottlenecks
Authors：Google 团队
Session：CVPR, 2018
Abstract：作者在 MobileNet-v1 的基础上，提出了两个 tricks：Linear Bottleneck 和 Inverted Residual，并提升了网络的性能。

Title：Dual Path Network
Authors：颜水成团队
Session：NIPS, 2017
Abstract：近几年，ResNet 和 DenseNet 都在视觉任务上取得了比较好的成绩，作者结合两者的优点，提出一种双通道的网络 (dual path network, DPN)，并取得了 ILSVRC-2017 目标定位的冠军。

Title：FRACTALNET: ULTRA-DEEP NEURAL NETWORKS WITHOUT RESIDUALS
Authors：Gustav Larsson, Michael Maire, Gregory Shakhnarovich
Abstract：作者提出了一个分形网络 (fractalNet)，并且认为 ResNet 中的残差计算并不是深层网络必须的，可以通过一种分形的结构，也可以达到很好的效果。