2018年你读到最好的机器学习论文是什么？RL,BERT,GAN？Why？【Reddit】

2018 年 12 月 30 日 专知

【导读】2018年即将过去，对于人工智能机器学习是一个收获颇丰的年度。在reddit机器学习版块新出一个热点问题“What is the best ML paper you read in 2018 and why?”，引起很多网友的回答，各位给出了自己认为做好的ML论文以及原因。在这里专知整理了一些答案供阅览，也欢迎各位专知读者在文章末尾留言，说出你认为2018年最好的机器学习论文，并说说为啥！排名前10位赠送专知《深度学习:算法到实战》优惠码，最高100！

【年度最佳论文打包下载】

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知）

后台回复“MLB2018” 就可以获取2018年度最佳论文的下载链接~
专知2019年1月将开设一门《深度学习：算法到实战》讲述相关ML2018论文，欢迎关注报名！

专知开课啦!《深度学习: 算法到实战》, 中科院博士为你讲授！

What is the best ML paper you read in 2018 and why?

网址：

https://www.reddit.com/r/MachineLearning/comments/a6cbzm/d_what_is_the_best_ml_paper_you_read_in_2018_and/

#beezlebub33#回答，51 Points

Large-Scale Study of Curiosity-Driven Learning

https://pathak22.github.io/large-scale-curiosity/

http://www.zhuanzhi.ai/paper/e5748eb66ea3f082f8b94916774ef374

这篇论文的重要性在于它在没有明确奖励的情况下在各种游戏中取得了良好的表现。它通过做预测、识别违反预期的行为，以及探索自己不知道的领域，学会了如何玩游戏。这就引出了人工智能需要走的方向:自我监督、未标记的数据、预测、好奇心、内在动机等。在这个世界上，人类没有足够的时间来产生受监督的训练集，并在这些数据集上定义度量标准。相反，如果你向人工智能提供来自系统(或自然界)的原始数据，并且它可以学习该系统时空演化的内部表示，那么你就可以定义一个目标，人工智能就能够实现它。

Learning Unsupervised Learning Rules

http://www.zhuanzhi.ai/paper/dd00419fa76c032b7df6e7bb6035bfd0

再者，这都是关于使用无监督学习来学习有用的东西，但更好的是，它是学习如何学习。元学习是一个关键领域，学习学习规则可以让人工智能了解自己，并最终提高自己。如果你能教电脑如何学习，它如何探索如何学习，那么我们就有机会起飞了。

#anterak13#回答，20 points

Rethinking statistical learning theory: learning with statistical invariants

https://link.springer.com/article/10.1007/s10994-018-5742-0

https://www.youtube.com/watch?v=rNd7PDdhl4c

#SupportVectorMachine# 回答

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks

http://www.zhuanzhi.ai/paper/eeb3f9ff30551ef554265907f24cf278

今年已经有了一些很好的结果，NVIDIA关于逐渐增长的GANs(包括他们最新论文中令人难以置信的好结果)所做的工作给我留下了特别深刻的印象。但我最喜欢的可能是《GAN解剖:可视化和理解生成性对抗网络》(GAN Dissection: Visualizing and Understanding generate Adversarial Networks)，这是我一段时间以来看到的写得最好、插图最丰富的论文之一(这是一篇全面、实际上是可理解的论文)。