每日论文 | 为智能体创建的综合平台Unity；删除无用样本有助于提高CNN性能；神经网络推荐算法总结

1

Unity: A General Platform for Intelligent Agents

随着模拟现实场景的出现，深度强化学习和机器人都得到了飞速发展。但是现有的多种平台都会提供不真实的视觉场景、不精确的动作、低复杂度的任务或者智能体之间缺少互动。另外，很多平台无法对环境进行灵活配置，所以对学习系统来说这样的虚拟环境就像黑箱。在这篇论文中，我们提出了一种新的开源工具，能用Unity平台创建虚拟环境。该工具能让学习环境存在丰富的感知，并且含有多种认知挑战，可以让多智能体进行动态交互。

地址：https://arxiv.org/abs/1809.02627

2

Data Dropout：Optimizing Training Data for Convolutional Neural Networks

深度学习模型学习的是通过训练能在测试数据上生成不错的结果。大多数工作的目标是通过设计新颖的结构或调整参数来找到合适的模型。有时在特殊任务中，某些先验信息，例如图像信息也会加入到端到端的学习中。然而，通过观察对单一样本训练，我们发现它几乎对模型的性能没什么影响。所以我们在这篇论文中认为，深度学习模型，例如卷积神经网络可能不支持所有的训练样本，如果删除这些没用的样本，泛化的精确度可能会有所提高。

地址：https://arxiv.org/abs/1809.00193

3

Five lessons from building a deep neural network recommender

在营销市场，推荐算法是一项必备工具，为了了解用户的特点并对此进行内容推荐，我们用深度学习探究多种数据之间的关系。这篇论文总结了当前常用的五种深度学习推荐算法，并且设计了一种混合推荐系统。

地址：https://arxiv.org/abs/1809.02131

相关阅读：2018年推荐系统入门指南

推荐系统机器学习算法概览

使用Excel实现推荐系统