2018深度學習引用數最高的十大論文

　　2018-04-26 14:15

　　

　　譯者 | 林椿眄

　　出品 | 人工智慧頭條（公眾號ID：AI_Thinker）

　　在過去的幾年裡，作為機器學習和統計學習的子領域，深度學習已經在諸多領域取得了令人印象深刻的突破。魯棒性的開源工具、雲計算以及大量可用的數據是深度學習能夠取得成功的重要基石。下面，我們列出2018年度十大深度學習論文：

　　

　　

　　

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

　　深度學習是一種由多個處理層組成的計算模型，它能夠學習數據的多層次抽象表徵。目前，這類方法已經在目標檢測、語音識別、視覺目標識別以及許多其他領域（諸如藥物發現和基因組學）取得了當前最佳的性能。

　　PDF鏈接：

　　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)

　　這是一個靈活的深度學習系統，它可以用來表達各種演演算法，包括深度神經網路模型的訓練及推理演演算法，並且眾多研究者利用它並將其部署到機器學習系統中，以實現多種任務，包括信息檢索，語音識別，機器人技術，計算機視覺，地理信息提取，自然語言處理，計算藥物發現等十幾個計算機科學及其他領域。

　　PDF鏈接：

　　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 是一個開源項目，主要用於解決深度神經網路的訓練和推理問題。它支持各種應用程序。Google 的許多服務和應用都使用到了 TensorFlow。隨著時間的推移，它也被廣泛用於機器學習領域的研究。

　　PDF鏈接：

　　https://www.usenix.org/system/fi ... 16/osdi16-abadi.pdf

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

　　這篇論文是對深度學習、深度神經網路的發展歷程及其相關工作的綜述。其中大部分的內容介紹了上個世紀的研究成果。淺層和深層的神經網路是根據信用分配路徑的深度進行區別的，信用分配路徑是通過行為和效果之間因果關係鏈所決定的，而這種因果關聯關係是可以學習的。

　　PDF鏈接：

　　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)

　　這篇論文開發一種被稱為深度「Q-網路」的新型人工智慧體。利用最近在深度神經網路訓練方面的進展，我們使用一種端到端強化學習策略，直接從高維的感測輸入中學習成功的策略。此外，這種智能體已經在經典 Atari 2600 遊戲的一些挑戰性領域中的得到了測試。

　　PDF鏈接：

　　https://web.stanford.edu/class/p ... /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)

　　在這項工作中，我們將介紹區域建議網路（RPN），全卷積圖像特徵，用於實現共享的區域建議檢測網路。區域建議網路是一種全卷積神經網路，它能夠共享檢測區域，並在每個位置同時預測出目標邊界及客觀得分。

　　PDF鏈接：

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

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

　　不同於固定時空感受野（fixed spatio-temporal receptive field）或用於序列數據處理的簡單平均時序模型，循環卷積神經網路能夠通過「雙重深入」機制，在空間和時間層次實現模型的融合。

　

　PDF鏈接：

　　https://arxiv.org/pdf/1411.4389.pdf

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

　　這種模型易於使用，並在 MATLAB 中開源了其 CNN 構建塊函數，提供了計算帶濾波器組的線性卷積的路徑，特徵池化等等。這篇論文將概述了卷積神經網路結構及其在 MatConvNet 中的實現方式，並在每個計算塊的工具箱中給出了相同的技術細節。

　　PDF鏈接：

　　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)

　　在這項工作中，我們主要關注的是彌合 CNN 在監督學習和無監督學習方面差距。這篇論文中我們將介紹一類帶一定的架構約束 CNN 模型，稱之為深度卷積生成對抗網路（DCGAN），實驗結果表明它們是一種有前途的非監督學習方式。

　　PDF鏈接：

　　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)

　　深度神經網路的成功需要許多帶標註訓練樣本，這是一個共識。在這篇論文里，我們將提出一種新的網路結構及訓練策略，以便更有效地使用現有的標註樣本來訓練模型，這完全依賴於強大的數據增強功能。