原标题：Reddit票选 | 2019年肯定不能错失的机器学习论文
来历 | reddit.com
修改 | 神经星星 神经小兮
技术顾问 | 姜汉（openbayes.com）
来历 | HyperAI超神经（ID: HyperAI）
【导读】回忆 2019 年，人工智能范畴时有大事发作，吸引着各界人士的重视。这一年，也诞生了数篇优质论文。咱们收集了 Reddit 上网友 2019 最喜欢的论文，供咱们一同同享、学习与讨论。
尽管 2019 年现已渐行渐远，但回忆这一年，人工智能范畴发作的许多大事件发生的影响仍然深远。
从黑洞相片发布到量子霸权完成，从清华天机芯到 ZAO App 的 AI 换脸，从中国人脸辨认第一案到 AI 组成语音欺诈……
一起，在 AI 引发颇多考虑的一年中，优异的论文也源源不断地诞生，让咱们得以了解和学习，在 AI 范畴各个方向的技术所获得的新进展。
咱们收集了 Reddit 上，网友同享的「2019 最喜欢的论文」，与咱们伙儿一同来同享，期望咱们咱们能从这些论文中，对 2020 年人工智能的发展趋势、前沿技术，略窥一二。
Reddit 传送门：http://dwz.win/wke
1 理论研讨
《凭借欠滑润 HAL，有用估量途径可微分方针参数》
论文链接：https://arxiv.org/pdf/1908.05607.pdf
在本文中，作者以为，功用参数滑润特征的渐近有用估量量，都可在易验证的大局欠滑润条件下，凭借 Spline-HAL-MLE 获取。
经过运用 targeted HAL-MLE 作为元学习过程，有或许得到一个估量器，该估量器可将 superlearning、 undersrmoothed HAL-MLE 以及 TMLE 结合使用。
均匀密度值参数的模仿成果
2 计算机视觉
《BA-Net：密布绑缚调整网络》
论文链接：http://dwz.win/wmQ
本文介绍了一种神经网络，经过特征束调整（BA），来处理运动结构（SfM）问题。此外，这项作业引入了一种新颖的深度参数化，来康复密布的每像素深度。
整个体系很好地结合了范畴常识（硬编码多视图几许束缚）和机器学习，然后处理极具挑战性的 SfM 问题。大规划试验证明，该办法优于传统 BA 及当下的深度学习办法。
BA-Net 结构一览
3 计算机视觉
《MoCo：无监督视觉表明学习办法》
论文链接：https://arxiv.org/pdf/1911.05722.pdf
论文的一作是计算机视觉范畴大牛何恺明。该办法在一系列无监督计算机视觉相关使命中，都体现优异。MoCo 从 IN-1M 到 IG-1B 的改善有目共睹，但相对较小，这表明较大规划的数据或许没有被充沛的使用。
除简略的实例区别使命以外， MoCo 还能够应用于 masked auto-encoding 等自监督使命，无论是言语方向仍是视觉方向。
三种比照丢失机制的概念比较
4 无监督学习
《经过躲藏单元对立进行无监督学习》
论文链接：http://dwz.win/wuJ
在文中，作者规划了一种学习算法，该算法使用躲藏层中的大局按捺，能够以一种完全无监督的方法，学习前期的特征检测器。
这些低层特征检测器通常可凭借监督的方法，练习高层权重，然后使整个网络的功能可与规范前馈网络的功能混为一谈，经过反向传达算法，完成简略的练习使命。
练习算法的 Pipeline
5 理论研讨
《N-BEATS：可用于可解释时刻序列猜测的神经根底扩展剖析》
论文链接：https://arxiv.org/pdf/1905.10437.pdf
作者在本文中提出并验证了用于单变量 TS 猜测的新式架构。该架构通用且灵敏，在各种 TS 猜测中，都体现杰出。
该试验证明 DL 能够多使命方法，在多个时刻序列上练习模型，而且支撑同享独立的学习使命。研讨人员估测，N-BEATS 的优异体现，能够部分归因于它执行了元学习的方式，未来将在该范畴进行更深化的研讨。
以上便是 Reddit 上用户同享的 2019 年机器学习精选论文，你们能够仿制链接在浏览器翻开检查。
◆
◆
责任修改：
