AAAI 2020的Tutorial部分已經結束，本次大會共有23場教程演講（可解釋AI分爲兩場），其中不乏谷歌、微軟、Facebook、亞馬遜的身影。截止目前，小編共整理了9份教程的ppt，作爲第一部分的資源分享給大家。
資料整理情況
這9篇教程分別是通過文本生產進行藝術創作、因果推理的表徵學習、人類與AI互動的準則，公平資源分配的最新進展，同行評審和其他社會技術智能系統中的公平與偏見，可解釋AI，圖的差分深度學習及其應用，強化學習中的探索和開發，使用ROSPlan的AI規劃機器人技術。
[SP5Q:CreativeandArtisticWritingviaTextGeneration](https://lijuntaopku.github.io/AAAI2020-tutorial/)[SP3:RepresentationLearningforCausalInference](http://cobweb.cs.uga.edu/~shengli/AAAI20-Causal-Tutorial.html)[SA5Q:GuidelinesforHuman-AIInteraction](https://mp.weixin.qq.com/cgi-bin/appmsgt=media/appmsg_edit&action=edit&type=10&appmsgid=100002350&token=1765815942&lang=zh_CN)[SA3:RecentAdvancesinFairResourceAllocation](https://users.cs.duke.edu/~rupert/fair-division-aaai20/index.html)[SA2:FairnessandBiasinPeerReviewandotherSociotechnicalIntelligentSystems](http://www.cs.cmu.edu/~nihars/tutorials/AAAI2020/)[SA1:ExplainableAI:Foundations,IndustrialApplications,PracticalChallenges,andLessonsLearned](https://xaitutorial2020.github.io/)[FP1:DifferentialDeepLearningonGraphsanditsApplications](http://www.calvinzang.com/DDLG_AAAI_2020.html)[FA3:Exploration-ExploitationinReinforcementLearning](https://rlgammazero.github.io/)>[FA2:AIPlanningforRoboticswithROSPlan](https://kcl-planning.github.io/ROSPlan/demos/conference_pages/tutorialAAAI2020.html)
作品一覽
SP5Q: Creative and Artistic Writing via Text Generation
文本生成和自動書寫已逐漸成爲人工智能界的前沿研究之一。爲了促進文本生成的發展，我們在本教程中總結了現有的研究並概述了其技術實現。我們專注於創意和藝術寫作，包括講故事，詩歌創作，多模式詩歌/故事創作和歌詞創作。此外，我們將詳細闡述藝術文字生成和現有高級解決方案的“核心”挑戰。
SP3: Representation Learning for Causal Inference
因果推理在醫療保健，市場營銷，政治和在線廣告等許多領域中都有大量實際應用。作爲因果推理中的一個基本問題，治療效果估計已在統計學中進行了數十年的廣泛研究。但是，傳統的治療效果估計方法可能無法很好地處理大規模和高維異構數據。近年來，新興的研究方向在人工智能領域引起了越來越多的關注，該領域結合了傳統治療效果估計方法（例如匹配估計器）和高級表示學習方法（例如深度神經網絡）的優勢。在本教程中，我們將介紹傳統的和最先進的表示學習算法，以估計治療效果。也將討論因果推論，反事實和匹配估計量的背景。我們還將展示這些方法在不同應用領域中的應用。
SA5Q: Guidelines for Human-AI Interaction
這是一篇來自微軟的教程，由於相當多的研究注意力集中在改善AI和ML系統的原始性能上，而很少關注促進有效的人機交互的最佳方法。基於AI的系統由於其概率性行爲和固有的不確定性，從根本上不同於傳統的計算系統，並且AI功能與用戶體驗（UX）設計之間的不匹配會導致令人沮喪甚至有害的結果。因此，提供合適的用戶體驗有益AI系統的開發和部署，它能幫助AI開發人員在模型選擇，目標函數設計和數據收集方面做出明智的決策。本教程將向觀衆介紹一套完整的指導方針，以指導構建流暢的人機交互的系統和界面，爲AI系統在初始交互，常規交互，不可避免的錯誤以及隨着時間的流逝應如何行爲提供了最佳實踐的建議。最重要的是，本教程還將反思研究和工程方面的挑戰，其解決方案可以使現實AI系統的此類準則得以實施。
SA3: Recent Advances in Fair Resource Allocation
資源分配環境下的公平性在微觀經濟學中已被正式研究了數十年，在計算機科學中也被研究了幾十年。本教程將概述有關資源公平分配的文獻。它將着重於文獻中提出的各種公平定義以及保證這些公平概念的算法。重點將放在最近的進展上，但是不需要任何背景知識。
SA2: Fairness and Bias in Peer Review and other Sociotechnical Intelligent Systems
在所有對社會有影響的決策中，公平和偏見的問題比比皆是。無論是設計用於研究論文的同行評審的協議，制定聘用政策，還是在遺傳學中提出研究問題，任何可能分配利益或造成損害的決定都會引起人們對得失的認識，
本教程將探討技術與社會之間的互動以及有關公平和偏見的兩個角度。我們的演講涵蓋了廣泛的學科視角，第一部分側重於技術的社會影響以及對通過受保護特徵定義的公平和偏見進行表述，第二部分深入同行評議，以探索其他形式的偏見，例如主觀性，校準錯誤和欺騙。
SA1: Explainable AI: Foundations, Industrial Applications, Practical Challenges, and Lessons Learned
有關可解釋AI的教程，我們已在之前的文章中進行了詳細的描述。
FP1: Differential Deep Learning on Graphs and its Applications
本教程探討了將微分方程理論引入深度學習方法（稱爲微分深度學習）的最新進展，並通過強調圖進一步拓寬此類方法的視野。我們展示的差異深度學習是用於對複雜系統結構和動力學進行建模以及在藥物發現生成新分子的強大工具。
FA3: Exploration-Exploitation in Reinforcement Learning\
大多數最新的強化學習（RL）算法需要大量數據來學習令人滿意的策略，並且不能在樣本價格昂貴和/或進行長時間人機交互的領域中使用。邁向採樣效率更高的算法的基本步驟是，設計出一種方法，以恰當地平衡對環境的探索，收集有用的信息並對所學策略的儘可能地利用。教程目的是使人們認識到提高現代RL算法的採樣效率方面的重要性。
FA2: AI Planning for Robotics with ROSPlan
本教程介紹了AI機器人技術規劃，機器人操作系統（ROS）和ROSPlan的要點。還將概述集成AI Planning和機器人技術的最新進展。主要目標是解釋這種集成，描述它如何對兩個社區都有利，最後，與會者能夠在簡單的機器人仿真中立即嘗試AI計劃技術。
