​2018深度学习引用数最高的十大论文

译者 | 林椿眄

出品 | 人工智能头条(公众号ID:AI_Thinker)

在过去的几年里,作为机器学习和统计学习的子领域,深度学习已经在诸多领域取得了令人印象深刻的突破。鲁棒性的开源工具、云计算以及大量可用的数据是深度学习能够取得成功的重要基石。下面,我们列出2018年度十大深度学习论文:

▌1.Deep Learning, by Yann L., Yoshua B. & Geoffrey H. (2015) (Cited: 5,716):

深度学习是一种由多个处理层组成的计算模型,它能够学习数据的多层次抽象表征。目前,这类方法已经在目标检测、语音识别、视觉目标识别以及许多其他领域(诸如药物发现和基因组学)取得了当前最佳的性能。

PDF链接: https://www.cs.toronto.edu/~hinton/absps/NatureDeepReview.pdf

▌2.TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems, by Martín A., Ashish A. B., Eugene B. C., et al. (2015) (Cited: 2,423)

这是一个灵活的深度学习系统,它可以用来表达各种算法,包括深度神经网络模型的训练及推理算法,并且众多研究者利用它并将其部署到机器学习系统中,以实现多种任务,包括信息检索,语音识别,机器人技术,计算机视觉,地理信息提取,自然语言处理,计算药物发现等十几个计算机科学及其他领域。

PDF链接: http://download.tensorflow.org/paper/whitepaper2015.pdf

▌3.TensorFlow: a system for large-scale machine learning, by Martín A., Paul B., Jianmin C., Zhifeng C., Andy D. et al. (2016) (Cited: 2,227)

TensorFlow 是一个开源项目,主要用于解决深度神经网络的训练和推理问题。它支持各种应用程序。Google 的许多服务和应用都使用到了 TensorFlow。随着时间的推移,它也被广泛用于机器学习领域的研究。

PDF链接: https://www.usenix.org/system/files/conference/osdi16/osdi16-abadi.pdf

▌4.Deep learning in neural networks, by Juergen Schmidhuber (2015) (Cited: 2,196)

这篇论文是对深度学习、深度神经网络的发展历程及其相关工作的综述。其中大部分的内容介绍了上个世纪的研究成果。浅层和深层的神经网络是根据信用分配路径的深度进行区别的,信用分配路径是通过行为和效果之间因果关系链所决定的,而这种因果关联关系是可以学习的。

PDF链接: https://arxiv.org/pdf/1404.7828.pdf

▌5.Human-level control through deep reinforcement learning, by Volodymyr M., Koray K., David S., Andrei A. R., Joel V et al (2015) (Cited: 2,086)

这篇论文开发一种被称为深度“Q-网络”的新型人工智能体。利用最近在深度神经网络训练方面的进展,我们使用一种端到端强化学习策略,直接从高维的传感输入中学习成功的策略。此外,这种智能体已经在经典 Atari 2600 游戏的一些挑战性领域中的得到了测试。

PDF链接: https://web.stanford.edu/class/psych209/Readings/MnihEtAlHassibis15 NatureControlDeepRL.pdf

▌6.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, by Shaoqing R., Kaiming H., Ross B. G. & Jian S. (2015) (Cited: 1,421)

在这项工作中,我们将介绍区域建议网络(RPN),全卷积图像特征,用于实现共享的区域建议检测网络。区域建议网络是一种全卷积神经网络,它能够共享检测区域,并在每个位置同时预测出目标边界及客观得分。

PDF链接: https://arxiv.org/pdf/1506.01497.pdf

▌7.Long-term recurrent convolutional networks for visual recognition and description, by Jeff D., Lisa Anne H., Sergio G., Marcus R., Subhashini V. et al. (2015) (Cited: 1,285)

不同于固定时空感受野(fixed spatio-temporal receptive field)或用于序列数据处理的简单平均时序模型,循环卷积神经网络能够通过“双重深入”机制,在空间和时间层次实现模型的融合。

PDF链接: https://arxiv.org/pdf/1411.4389.pdf

▌8.MatConvNet:Convolutional Neural Networks for MATLAB, by Andrea Vedaldi & Karel Lenc (2015) (Cited: 1,148)

这种模型易于使用,并在 MATLAB 中开源了其 CNN 构建块函数,提供了计算带滤波器组的线性卷积的路径,特征池化等等。这篇论文将概述了卷积神经网络结构及其在 MatConvNet 中的实现方式,并在每个计算块的工具箱中给出了相同的技术细节。

PDF链接: https://arxiv.org/pdf/1412.4564.pdf

▌9.Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, by Alec R., Luke M. & Soumith C. (2015) (Cited: 1,054)

在这项工作中,我们主要关注的是弥合 CNN 在监督学习和无监督学习方面差距。这篇论文中我们将介绍一类带一定的架构约束 CNN 模型,称之为深度卷积生成对抗网络(DCGAN),实验结果表明它们是一种有前途的非监督学习方式。

PDF链接: https://arxiv.org/pdf/1511.06434.pdf

▌10.U-Net: Convolutional Networks for Biomedical Image Segmentation, by Olaf R., Philipp F. &Thomas B. (2015) (Cited: 975)

深度神经网络的成功需要许多带标注训练样本,这是一个共识。在这篇论文里,我们将提出一种新的网络结构及训练策略,以便更有效地使用现有的标注样本来训练模型,这完全依赖于强大的数据增强功能。

PDF链接: https://arxiv.org/pdf/1505.04597.pdf

以上是 2018 年度十大深度学习论文的简单摘要,关于论文的详细信息,可以参考每篇论文下面的原文链接。

作者:Kirti Bakshi 原文链接: https://www.techleer.com/articles/517-a-list-of-top-10-deep-learning-papers-the-2018-edition/

原文发布于微信公众号 - 人工智能头条(AI_Thinker)

原文发表时间:2018-04-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器人网

自动驾驶技术中的机器学习算法有哪些?

如今,机器学习算法正大规模地用于解决自动驾驶汽车产业日益增多的问题。结合 ECU (电子控制单元)传感器数据,我们须加强对机器学习方法的利用以迎接新的挑战。潜在...

972
来自专栏达观数据

达观数据分享文本大数据的机器学习自动分类方法

随着互联网技术的迅速发展与普及,如何对浩如烟海的数据进行分类、组织和管理,已经成为一个具有重要用途的研究课题。而在这些数据中,文本数据又是数量最大的一类。文本分...

41610
来自专栏IT派

如何用Keras打造出“风格迁移”的AI艺术作品

过去几年,卷积神经网络(CNN)成为一种前沿的计算机视觉工具,在业界和学界广泛应用。除了人脸识别和无人驾驶领域,CNN 这几年还在艺术领域广受欢迎,其中衍生出一...

1300
来自专栏专知

图像和文本的融合表示学习——Text2Image和Image2Text

【导读】图像和文本之间的相互转换涉及到图像的场景识别与理解、目标的检测和识别、图像融合等,它可以使得计算机具有“看图说话”、“看书作图”的能力,可以说是图像理解...

3862
来自专栏深度学习与数据挖掘实战

干货|Hinton、LeCun、Bengio三巨头权威科普深度学习

借助深度学习,多处理层组成的计算模型可通过多层抽象来学习数据表征( representations)。这些方法显著推动了语音识别、视觉识别、目标检测以及许多其他...

1292
来自专栏专知

【干货】基于视频的行人再识别新进展:区域质量估计方法和高质量的数据集

【导读】近日,针对基于视频的行人再识别中局部噪声大、数据集质量低的问题,来自商汤科技(SenseTime)、香港中文大学和北京航空航天大学的学者发表论文提出基于...

3487
来自专栏磐创AI技术团队的专栏

数据挖掘和机器学习的面试问题

【磐创AI导读】:本文主要分享了机器学习需要注意的几个面试问题。想要学习更多的机器学习知识,欢迎大家点击上方蓝字关注我们的公众号:磐创AI。

993
来自专栏PPV课数据科学社区

文本数据的机器学习自动分类方法(上)

【编者按】:随着互联网技术的迅速发展与普及,如何对浩如烟海的数据进行分类、组织和管理,已经成为一个具有重要用途的研究课题。而在这些数据中,文本数据又是数量最大的...

5106
来自专栏新智元

【干货指南】机器学习必须需要大量数据?小数据集也能有大价值!

深度学习往往需要大量数据,不然就会出现过度拟合,本文作者提出了一些在文本数据量不够大的时候可用的一些实用方法,从而赋予小数据集以价值。

1434
来自专栏人工智能头条

【王晓刚】深度学习在图像识别中的研究进展与展望

3877

扫码关注云+社区