标签：Reddit 推荐 论文 学习 监督 票选 2018 https 数据
https://mp.weixin.qq.com/s/dQxbmSHouyAx13LxDKl8kQ
by 超神经
读论文这件事，对深入了解细分领域的技术和难题来说，重要性毋庸置疑。
2018 年也出现了很多优质的论文，比如各大顶级学术会议上的获奖论文，我们今天盘点的是 Reddit 网友心中那些 2018 帮助过他们的论文。Reddit 网友：这篇论文我投一票
@beezlebub33 推荐论文：
《Large-Scale Study of Curiosity-Driven Learning》
大规模的好奇驱动学习研究
https://pathak22.github.io/large-scale-curiosity/
推荐理由：
这篇文章的重要性体现在，它无需好的奖励机制，就在很多游戏中实现了优异的性能。重要的是它学会了通过预测去玩游戏，能辨别违反期望的行为，能够去探索未知的领域。这可能是 AI 以后发展的方向：自我监督、无标签数据、会预测、好奇心、具有内动力等等。
人们还没有足够的时间去创造出有监督训练集，并且给这些数据集定义矩阵。但如果，给 AI 提供原始数据，并且它可以学习该系统的时空演变的内部表示，那么您可以通过定义目标，最终用 AI 将它实现。
@YBuzzinGA 推荐论文：
《Learning Unsupervised Learning Rules》
学习无监督学习法则
https://arxiv.org/abs/1804.00222.
推荐理由：
这篇文章是关于使用无监督学习来完成一些任务，它的特点在于，模型正在学习如何自己学习。
元学习是一个关键领域，学习那些学习规则会让 AI 去理解自己，并且去改善自己。如果你可以教一台计算机如何学习了解自己，那么我们就有可能实现飞跃。
@breadwithlice 推荐论文：
《Phrase-Based & Neural Unsupervised
Machine Translation》
基于短语和无监督神经机器翻译
https://arxiv.org/abs/1810.04805v1
推荐理由：
这篇文章里，仅使用单语料库，就能将完成翻译，而且不需要任何映射，字典或并行数据。
论文里使用了一种反向翻译技术，从A转换为B时，然后将B转换为A，这么做大大改善翻译器，然后切换A和B，这个结果令人惊喜！
@kartayyar 推荐论文：
《Pre-training of Deep Bidirectional Transformers
for Language Understanding 》
语言理解中深层双向法的预训练
https://arxiv.org/abs/1809.10756
推荐理由：
我喜欢它的地方：
很棒的创新理念，他们使用的遮蔽方法是非常有创意的。
他们用很简单的语句就说清楚了他们的核心理念。
在Github上有代码可重现的结果。
能够处理了多项不同的任务。
@ndha1995 推荐论文：
《An Introduction to Probabilistic Programming》
概率规划导论
https://arxiv.org/abs/1809.10756
推荐理由：
这是我在2018年最喜欢的论文。
作者对概率规划进行了全面而严谨的介绍，并在最后一章中，介绍了最近关于深度神经网络，和概率规划相结合的研究 。
读论文的硬核建议
就算知道了厉害的论文，除了喊着哇，真厉害，那怎么样才能看懂它们呢？
首先还是想清楚你的动机，主动地想要探索和被动的完成任务，效果和体验就会完全不同了。我们找到了一些硬核建议，嗯，就帮你们到这了。
批判性地阅读
这是一个很重要的态度。不要盲从作者的观点。相反，要去怀疑和求证。
什么是批判性阅读？尝试着去提出问题。如果作者试图解决某个问题，他们是否正确的解决了？有没有作者没有考虑到简单方案？解决方案有哪些局限性（包括作者没注意到或明确承认的）？
作者的假设是否合理？鉴于假设，论文的逻辑是否明确合理，或者推理中是否存在缺陷？
如果作者提供数据，他们的数据能不能来证实他们的论点，他们是收集数据的路径是否合理？那他们解释数据的方式呢？换用其他数据会更好吗？
创造性地阅读
批判性地阅读一篇论文难度系数不是最高，因为毁坏比构建更容易。而创造性的阅读就涉及更难，更积极的思考。
比如：本文有哪些很好的想法？这些想法是否有其他应用程序或扩展？它们能被进一步推广吗？是否存在会带来重大差异的改进？如果自己进行相关的探究，接下来会做些什么呢？
在阅读论文时做笔记
许多人都在读论文时记录笔记。这个方法是很不错的，用你喜欢的方式，把想到的任何问题或批注，统统记录下来。试着去找到作者的关键点。
大受好评的康奈尔笔记法
标记那些最重要或看似有问题的数据。这样的标记有助于理解论文，同时还也有助于之后的回顾。
在第一次阅读之后，
尝试用一两句话来总结论文
几乎所有优秀的论文都在提出一个具体问题的答案。如果你能简洁地描述一篇论文，你可能已经弄懂了到了作者的工作，包括他们想要解决的问题和最终的答案。一旦您专注于主要想法，再回过头去概述论文，就能更深入的了解具体细节。
实际上，如果用一两句话总结论文很容易，那么可以来尝试另一种方法，列出三个或四个要点大纲来总结主要思想。
如果可能，
将论文与其他作品进行比较
总结论文是尝试确定论文科学贡献的一种方法。但要真正掌握科学价值，你必须将论文与该领域的其他作品进行比较。去弄清楚这些想法是新颖的，还是以前出现过？
值得一提的是，科学研究呈现的方式有多种。比如一些论文只提出新的想法，而其他人去实施验证，并展示其工作方式；还有一些人将之前想法结合在一起，并在一个新颖的框架下整合起来。了解该领域的其他工作可以帮助你更好的了解论文的价值。
超神经小百科
无监督学习 Unsupervised learning
机器学习可以分为监督式学习、无监督式学习和半监督式学习。
无监督学习是不为训练集提供对应类别标识的学习方法。适用于有数据集但无标签的情况。
无监督学习中使用的数据是没有标记过的，而训练中也不知道输入数据对应的输出结果是什么。没有受到监督式增强 (告诉它何种学习是正确的)。
无监督学习只能默默的读取数据，自己寻找数据的模型和规律，比如聚类（把相似数据归为一组）和异常检测（寻找异常）。
无监督式学习的目的是去对原始资料进行分类，以便了解资料内部结构。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后，也可以将之应用到新的案例上。
标签：Reddit,推荐,论文,学习,监督,票选,2018,https,数据 来源： https://blog.51cto.com/14929242/2535615
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。