<mark id="oztn4"></mark>
0
譯者：AI研習社（Icarus、、Maker、這么辣雞嗎、Clara）
雙語原文鏈接：13 ‘Must-Read’ Papers from AI Experts
以下所有的論文都是免費的，涵蓋了從超梯度到CNN的產量響應建模等一系列主題。每位專家還附上了論文被選中的原因以及簡短的個人簡歷。
我們在一月份的時候就和Jeff談過，當時他不能只選一篇論文作為必讀，所以我們讓他選了兩篇。下面列出這兩篇論文。
Learning to Reinforcement Learn（2016）--Jane X Wang et al.
本文解讀了兩個關鍵的討論點，即稀疏訓練數據的局限性，以及循環網絡是否能在完全監督的情況下支持元學習。這些要點在七個概念驗證實驗中得到了解決，每個實驗都研究了深度元RL的一個關鍵方面。我們考慮了擴展和擴大該方法的前景，同時也指出了一些對神經科學的潛在重要影響。點擊這里閱讀更多內容。
Gradient-based Hyperparameter Optimization through Reversible Learning (2015) - Dougal Maclaurin, David Duvenaud, and Ryan P. Adams.
Jeff推薦的第二篇論文通過在整個訓練過程中倒鏈導數，計算出所有超參數的交叉驗證性能的精確梯度。這些梯度允許對數千個超參數進行優化，包括步長和動量計劃、權重初始化分布、豐富的參數化正則化方案和神經網絡架構。你可以在這里閱讀更多關于這篇論文的內容。
Long Short-Term Memory (1997) - Sepp Hochreiter and Jürgen Schmidhuber
這篇1997年的開創性論文的思想是超前于那個時代的。直到最近（即過去6年左右），硬件加速器才有能力運行LSTM的訓練/服務操作，從而使得LSTM成功用于許多應用（如語言建模，手勢預測，用戶建模）。 LSTM基于記憶的序列建模架構非常有影響力——它啟發了許多最新的改進方法，例如Transformers。這篇論文對我的工作影響很大。
Efficient Incremental Learning for Mobile Object Detection (2019) - Dawei Li et al
本文討論了近期流行的對象檢測模型RetinaNet的創新變體，并介紹了增量學習的范例，該范例的此應用和其他對于多模式學習應用是很有效的。本文中使用的關鍵思想和增量學習公式對從事CV工作的任何人都有用，并且可以為對移動設備有效的高效增量算法鋪平未來創新的道路。
Emergent Tool Use From Multi-Agent Autocurricula (2019) --Bowen Baker等人。
Ken之所以選擇這篇論文，是因為它給出了一個獨特的例子，說明了新興行為，并暗示了開放性的開始。論文本身找到了明確的證據，證明在我們的環境中，代理策略有六個涌現階段，每一個階段都會給對方團隊帶來新的壓力，讓他們去適應；例如，代理學會了使用可移動的盒子來建造多物體掩體，這又導致代理發現他們可以使用坡道來克服障礙。點擊這里閱讀本文的更多內容。
Open-endedness: The last grand challenge you’ve never heard of (2017)----Kenneth Stanley等人。
我們允許Ken也加入了他自己和他的同事們的一篇論文，他的建議是 "關于開放式挑戰的非技術性介紹"。這篇論文在描述中解釋了這個挑戰到底是什么，如果解決了它的驚人意義，以及如果我們激發了你的興趣，如何加入這個探索。在這里閱讀更多關于這篇論文的內容。
Attention Is All You Need (2017)--Ashish Vaswani等人。
Andriy推薦了2017年的這篇論文，因為用他自己的話說，"它將NLP與BERT等預訓練的Transformer模型帶到了一個全新的高度"。論文提出了一種新的簡單網絡架構--Transformer，完全基于注意力機制，完全免除了遞歸和卷積。在兩個機器翻譯任務上的實驗表明，這些模型在質量上更勝一籌，同時更可并行化，所需的訓練時間也大大減少。你可以在這里閱讀這篇論文。
當我們聯系Andrew時，腦海中并沒有具體的論文，然而，我們被引導到他最近的一篇帖子，其中突出了他認為可能感興趣的兩篇論文。下面引用了這兩篇論文。
Modeling yield response to crop management using convolutional neural networks (2020) 「利用卷積神經網絡建模作物管理的產量響應(2020)」-Andre Barbosa等人。
在這項工作中，Andre等人提出了一種卷積神經網絡(CNN)來捕捉不同屬性的相關空間結構，并將它們結合起來建模產量對養分和種子率管理的響應。利用九個農場實驗構建了一個合適的數據集，對CNN模型進行訓練和檢驗。評估了四種組合了網絡中不同階段的輸入屬性的體系結構，并將其與最常用的預測模型進行了比較,在這里閱讀更多關于文章的內容。
A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis (2019) 醫學影像診斷疾病的深度學習績效與醫護人員的比較：系統回顧與meta-analysis(2019)--劉曉軒等.
本文評估了深度學習算法與醫療保健專業人員在使用醫學成像對疾病進行分類時的診斷準確性。進行樣本外外部驗證的研究包括在meta-analysis中，使用統一的分層模型。點擊這里閱讀更多關于這篇文章的內容。
當我們聯系到Gregory時，他建議他的論文選擇是基于試圖理解AI和ML的大趨勢，最近的兩篇論文對他來說非常突出。“我最近讀了兩篇重要的論文，下面是Gary & Francois的文章。我還推薦看Yoshua Bengio和Gary Marcus在Montrea進行的辯論。”
The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence (2020) 《人工智能的下一個十年：邁向穩健人工智能的四個步驟》(2020)--Gary Marcus
本文介紹了人工智能和機器學習的最新研究，這些研究在很大程度上強調了通用學習和越來越大的訓練集和越來越多的計算。與此形成對比的是，加里提出了一種混合的、知識驅動的、基于推理的方法，以認知模型為中心，可以為比目前可能的更豐富、更健壯的人工智能提供基礎。
On the Measure of Intelligence (2019) “論智力的測量”(2019)-- Fran?ois Chollet
Gregory的第二個建議是Fran?ois Cholle的“關于智力的衡量”。本文總結和批判性地評價了智力測量的定義和評價方法，明確了隱含指導它們的兩個歷史智力概念。然后，弗朗索瓦在算法信息論的基礎上提出了一個新的智力正式定義，將智力描述為技能獲得效率，并強調了范圍、推廣難度、先驗和經驗等概念。請在這里閱讀這篇文章。
Tackling climate change with Machine Learning (2019)-David Rolnick，Priya L Donti，Yoshua Bengio等
Myriam的建議包括機器學習及其對環境的影響。氣候變化是人類面臨的最大挑戰之一，機器學習專家想知道如何提供幫助。在本文中，作者描述了機器學習如何成為減少溫室氣體排放和幫助社會適應氣候變化的有力工具。從智能電網到災難管理，他們通過與其他領域合作來發現目前影響較大的問題，這些問題可以通過機器學習的方法來進行解決。在此處閱讀本文的更多內容。
The Netflix Recommender System: Algorithms, Business Value, and Innovation (2015) -Carlos Gomez-Uribe & Neil Hunt
“這篇論文已有一定年份，且不是技術性文章，但是它涵蓋了許多你需要思考的基本問題，業務決策點，算法特征，度量和數據特征，測試和驗證在操作環境中部署AI算法。我之所以喜歡這篇文章，也是因為推薦引擎很受歡迎且在不同的行業中使用，得到了所有人（甚至是非專家）的認可。因此，本文可以迅速為學生（包括其他人）獲得對算法的深入理解和樂趣。請在此處閱讀本文。
AI研習社是AI學術青年和AI開發者技術交流的在線社區。我們與高校、學術機構和產業界合作，通過提供學習、實戰和求職服務，為AI學術青年和開發者的交流互助和職業發展打造一站式平臺，致力成為中國最大的科技創新人才聚集地。
如果，你也是位熱愛分享的AI愛好者。歡迎與譯站一起，學習新知，分享成長。
雷鋒網雷鋒網雷鋒網
