轉載自：HyperAI
本文1162字，建議閱讀3分鐘。
本文介紹 Reddit 上網友 2019 最喜歡的論文，供大家一起分享、學習與探討。
雖然 2019 年已經漸行漸遠，但回顧這一年，人工智慧領域發生的很多大事件產生的影響依然深遠。
從黑洞照片公布到量子霸權實現，從清華天機芯到 ZAO App 的 AI 換臉，從中國人臉識別第一案到 AI 合成語音詐騙……
同時，在 AI 引發頗多思考的一年中，優秀的論文也源源不斷地誕生，讓我們得以了解和學習，在 AI 領域各個方向的技術所取得的新進展。
我們收集了 Reddit 上，網友分享的「2019 最喜歡的論文」，與大家分享，希望大家能從這些論文中，對 2020 年人工智慧的發展方向、前沿技術，略窺一二。
Reddit 傳送門：http://dwz.win/wke
1
理論研究
《藉助欠平滑 HAL，有效估計路徑可微分目標參數》
論文連結：https://arxiv.org/pdf/1908.05607.pdf
在本文中，作者認為，功能參數平滑特徵的漸近有效估計量，都可在易驗證的全局欠平滑條件下，藉助 Spline-HAL-MLE 獲取。
通過使用 targeted HAL-MLE 作為元學習步驟，有可能得到一個估計器，該估計器可將 superlearning、 undersrmoothed HAL-MLE 以及 TMLE 結合利用。
平均密度值參數的模擬結果
2
計算機視覺
《BA-Net：密集捆綁調整網絡》
論文連結：http://dwz.win/wmQ
本文介紹了一種神經網絡，通過特徵束調整（BA），來解決運動結構（SfM）問題。此外，這項工作引入了一種新穎的深度參數化，來恢復密集的每像素深度。
整個系統很好地結合了領域知識（硬編碼多視圖幾何約束）和機器學習，從而解決極具挑戰性的 SfM 問題。大規模實驗證明，該方法優於傳統 BA 及當下的深度學習方法。
BA-Net 結構一覽
3
計算機視覺
《MoCo：無監督視覺表示學習方法》
論文連結：https://arxiv.org/pdf/1911.05722.pdf
論文的一作是計算機視覺領域大牛何愷明。該方法在一系列無監督計算機視覺相關任務中，都表現優異。MoCo 從 IN-1M 到 IG-1B 的改進引人注目，但相對較小，這表明較大規模的數據可能沒有被充分利用。
除簡單的實例區分任務以外， MoCo 還可以應用於 masked auto-encoding 等自監督任務，無論是語言方向還是視覺方向。
三種對比損失機制的概念比較
4
無監督學習
《通過隱藏單元對抗進行無監督學習》
論文連結：http://dwz.win/wuJ
在文中，作者設計了一種學習算法，該算法利用隱藏層中的全局抑制，能夠以一種完全無監督的方式，學習早期的特徵檢測器。
這些低層特徵檢測器通常可藉助監督的方式，訓練高層權重，從而使整個網絡的性能可與標準前饋網絡的性能相提並論，通過反向傳播算法，實現簡單的訓練任務。
訓練算法的 Pipeline
5
理論研究
《N-BEATS：可用於可解釋時間序列預測的神經基礎擴展分析》
論文連結：https://arxiv.org/pdf/1905.10437.pdf
作者在本文中提出並驗證了用於單變量 TS 預測的新型架構。該架構通用且靈活，在各種 TS 預測中，都表現良好。
該實驗證明 DL 可以多任務方式，在多個時間序列上訓練模型，並且支持共享獨立的學習任務。研究人員推測，N-BEATS 的優秀表現，可以部分歸因於它執行了元學習的形式，未來將在該領域進行更深入的研究。
—完—
關注清華-青島數據科學研究院官方微信公眾平台「 THU數據派 」及姊妹號「 數據派THU 」獲取更多講座福利及優質內容。