来源 | reddit.com
编辑 | 神经星星 神经小兮
技术顾问 | 姜汉（openbayes.com）
来源 | HyperAI超神经（ID:HyperAI）
【导读】回顾 2019 年，人工智能范畴时有大事发生，吸引着各界人士的关注。这一年，也诞生了数篇优质论文。我们搜集了 Reddit 上网友 2019 最喜欢的论文，供大家一同分享、学习与讨论。
虽然 2019 年曾经渐行渐远，但回顾这一年，人工智能范畴发生的很多大事情产生的影响依然深远。
从黑洞照片公布到量子霸权完成，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 合成语音诈骗……
同时，在 AI 引发颇多思索的一年中，优秀的论文也源源不断地诞生，让我们得以了解和学习，在 AI 范畴各个方向的技术所获得的新停顿。
我们搜集了 Reddit 上，网友分享的「2019 最喜欢的论文」，与大家分享，希望大家能从这些论文中，对 2020 年人工智能的发展方向、前沿技术，略窥一二。
Reddit 传送门：http://dwz.win/wke
1 实际研讨
《借助欠平滑 HAL，有效估计途径可微分目的参数》
论文链接：https://arxiv.org/pdf/1908.05607.pdf
在本文中，作者以为，功能参数平滑特征的渐近有效估计量，都可在易验证的全局欠平滑条件下，借助 Spline-HAL-MLE 获取。
经过运用 targeted HAL-MLE 作为元学习步骤，有能够得到一个估计器，该估计器可将 superlearning、 undersrmoothed HAL-MLE 以及 TMLE 结合应用。
平均密度值参数的模拟结果
2 计算机视觉
《BA-Net：密集捆绑调整网络》
论文链接：http://dwz.win/wmQ
本文引见了一种神经网络，经过特征束调整（BA），来处理运动结构（SfM）成绩。此外，这项工作引入了一种新颖的深度参数化，来恢复密集的每像素深度。
整个系统很好地结合了范畴知识（硬编码多视图几何约束）和机器学习，从而处理极具应战性的 SfM 成绩。大规模实验证明，该方法优于传统 BA 及当下的深度学习方法。
BA-Net 结构一览
3 计算机视觉
《MoCo：无监督视觉表示学习方法》
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。该方法在一系列无监督计算机视觉相关义务中，都表现优秀。MoCo 从 IN-1M 到 IG-1B 的改进有目共睹，但相对较小，这表明较大规模的数据能够没有被充分应用。
除简单的实例区分义务以外， MoCo 还可以运用于 masked auto-encoding 等自监督义务，无论是言语方向还是视觉方向。
三种对比损失机制的概念比较
4 无监督学习
《经过隐藏单元对抗停止无监督学习》
论文链接：http://dwz.win/wuJ
在文中，作者设计了一种学习算法，该算法应用隐藏层中的全局抑制，可以以一种完全无监督的方式，学习早期的特征检测器。
这些低层特征检测器通常可借助监督的方式，训练高层权重，从而使整个网络的功能可与标准前馈网络的功能相提并论，经过反向传播算法，完成简单的训练义务。
训练算法的 Pipeline
5 实际研讨
《N-BEATS：可用于可解释工夫序列预测的神经基础扩展分析》
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 预测的新型架构。该架构通用且灵敏，在各种 TS 预测中，都表现良好。
该实验证明 DL 可以多义务方式，在多个工夫序列上训练模型，并且支持共享独立的学习义务。研讨人员揣测，N-BEATS 的优秀表现，可以部分归因于它执行了元学习的方式，将来将在该范畴停止更深化的研讨。
以上就是 Reddit 上用户分享的 2019 年机器学习精选论文，大家可以复制链接在阅读器打开查看。
（*本文为AI科技大本营转载文章，转载请联络原作者）
人工智能数学基础系列公开课经过人工智能热点成绩末尾，引出其中蕴涵的数学原理，然后构建处理实践成绩的数学模型和方法，兼具兴趣性与适用性。
1月16日晚8:00, 哈工大屈教授在线直播课---『看得见 』的数学，带大家解密计算机视觉背后的数学知识！
加入公开课福利群，每周还有精选学习材料、技术图书等福利发送、60+公开课收费学习 | 
