开发者社区技术周刊又和大家见面了，萌妹子为您带来最新一期“开发者技术周报”。让我们一起看看，过去一周有哪些值得我们开发者关注的重要新闻吧。
-
京东智能供应链决策引擎全面开放
-
LinkedIn开源Dagli，发布Java机器学习函数库
-
PayPal宣布支持所有美国用户交易加密货币
-
SpaceX已获准在加拿大提供星链卫星互联网服务
-
AppleWatch新功能：或可打断噩梦且不唤醒用户
-
Intel发布首款服务器独立显卡：单卡四芯、云游戏＋流媒体
-
KDD 2020 开源论文 | 图神经网络多变量时序预测
-
将图卷积神经网络用于解码分子生成
技 术 要 闻
Industry News
1、 京东智能供应链决策引擎全面开放
周伯文博士指出，经济全球化和数智化时代的到来，正在推动供应链进行历史性的变革。尤其是在易变性、不确定性、复杂性和模糊性相互交织的VUCA时代，如新冠疫情带来的产品价格波动、交货周期延长、新产品竞争力不清晰等影响，给完全依托于经验和流程的传统供应链决策带来巨大的挑战。随着全球化的供应链网络、消费市场的快速变化以及人工智能等新兴技术的涌现，智能供应链应运而生。
2、LinkedIn开源Dagli，发布Java机器学习函数库
LinkedIn 最近开源了 Dagli，一个面向 Java (和其他 JVM 语言)的机器学习库，让编写代码减少bug、可读、可修改、可维护和可部署的模型管道变得更加容易，而不会导致技术难题。对于有经验的数据科学家来说，Dagli 提供了一条通往可维护和可扩展的高性能、可生产的人工智能模型的道路，这些模型可以利用现有的 JVM 技术堆栈。 对于经验较少的软件工程师来说，Dagli 提供了一个 API，可以与 JVM 语言和工具一起使用，这些语言和工具被设计用来避免典型的逻辑错误。
3、PayPal宣布支持所有美国用户交易加密货币
有“美版支付宝”之称的支付平台PayPal最近宣布，将支持所有美国账户交易加密货币。PayPal在10月份首次宣布计划向美国用户开放加密货币交易，但迄今为止，只对一小部分PayPal账户持有人开放。现在，这种情况将得到改变。PayPal表示，所有符合条件的用户都可以开始购买、出售和持有比特币、莱特币、以太坊和比特币现金等加密货币。
4、SpaceX已获准在加拿大提供星链卫星互联网服务
据国外媒体报道，美国太空探索技术公司SpaceX已经获得加拿大监管机构的批准，可在该国境内提供星链卫星互联网服务。此前，在10月底，SpaceX开始在美国对其星链互联网服务启动公开beta测试。现在，该公司已做好准备，首次将该服务拓展到美国以外的地区。SpaceX创始人、CEO埃隆·马斯克（Elon Musk）表示，该公司将在几天后开始发送第一个beta测试版邀请。目前，SpaceX的星链卫星互联网服务登陆加拿大的正式时间表还没有公布。不过，由于该公司最近才开始对这项服务启动公开beta测试，所以该公司要在加拿大提供这项服务可能还需要几个月的时间。
5、AppleWatch新功能：或可打断噩梦且不唤醒用户
近日据外媒消息，美国食品和药物管理局FDA批准了NightWare的销售，这是一款Apple Watch上的应用，可以帮助治疗由PTSD创伤后应激障碍等疾病引起的噩梦。具体来说，这款应用将使用苹果智能手表的运动和心率数据来检测用户是否正在做噩梦，如果发现用户做噩梦，就会让手表腕带震动，以打断噩梦，但并不唤醒用户，从而使用户拥有更好的睡眠。购买NightWare需要医生开具的处方，同时官方强调，这不是独立的治疗方法，需要配合药物治疗等多种系统治疗方案。
6、Intel发布首款服务器独立显卡：单卡四芯、云游戏＋流媒体
Intel正式发布了其首款面向服务器数据中心的独立显卡，代号SG1，正式名称就简单直接地叫做“服务器GPU”(Server GPU)，基于Xe LP低功耗微架构，专为高密度、低时延的安卓云游戏、流媒体服务而设计。这也是Intel的第三款Xe LP架构独立显卡产品，此前已有面向轻薄本、台式机的Iris Xe MAX(代号DG1)，Tiger Lake、Rocket Lake 11代酷睿处理器也都集成Xe LP架构的核芯显卡。Intel强调，随着世界进入到数十亿智能设备的时代，数据量正在呈指数级增长，必须将重心从单独的CPU，转移到跨CPU、GPU、FPGA和其他加速器的混合架构，也就是“XPU”愿景。
学 术 前 沿
Academic News
1. KDD 2020 开源论文 | 图神经网络多变量时序预测
多变量时序预测在经济、金融、生物信息和交通等领域有广泛应用。相较于单变量时序预测，需要建模的问题更复杂，因为每个变量不仅与其历史值有关，还要考虑变量之间的依赖关系。然而，现有的多变量时序预测方法并没有有效地探索变量之间的潜在空间依赖关系。统计方法如 VAR 和 GP 假设变量之间存在线性依赖关系，随着变量的增加，模型复杂度二次方增长，容易导致过拟合。
深度学习方法如 LSTNet [1] 和 TPA-LSTM [2]，虽然能够捕获非线性关系，但是无法明确地建模成对变量之间的依赖关系。图是一种数据结构，可以描述节点之间的关系。目前，图神经网络由于排列不变性、局部连接以及组合性的特点，在处理图数据上取得较大的成功。多变量时序预测从图视角来看，变量可以当作节点，它们通过隐层依赖关系相互连接。所以，图神经网络可以建模多变量时序预测，这也是这篇论文的主要出发点。
论文链接：https://arxiv.org/abs/2005.11650
2、将图卷积神经网络用于解码分子生成
论文提出了一个分子生成自动编码器框架。分子图首先被编码成一个连续的潜在表示 ，然后再被解码回一个分子。编码过程很简单，但解码过程仍然具有挑战性。在本工作中，论文介绍了一个简单的两步译码过程。第一步，一个完全连接的神经网络使用潜在的向量生成一个分子式，例如二氧化碳（一个碳和两个氧原子）。在第二步中，图形卷积神经网络使用相同的潜在向量在第一步中产生的原子之间建立键（例如，将在碳和每个氧之间建立一个双键）。这个两步过程，首先生成一袋原子，然后组装，允许开发一个高效的分子自动编码器。
论文链接：https://arxiv.org/abs/1906.03412
以上信息来源于网络，由“京东智联云开发者”公众号编辑整理，不代表京东智联云立场
推荐阅读：
欢迎点击【京东智联云】，了解开发者社区
更多精彩技术实践与独家干货解析
欢迎关注【京东智联云开发者】公众号
