arXiv 精選：一文看盡六月最熱五篇論文

https://mp.weixin.qq.com/s/MFuC2V-_8BMthMcPFax7eA

By 超神經

場景描述：始建於 1991 年的 arXiv.org 至今已收錄超過 100 萬篇論文預印本，近年來，其每個月提交量已經超過 1 萬篇。這裏成爲一個巨大的學習寶庫。本文羅列了 arXiv.org 上最近一個月人工智能方向的最熱論文，供你們學習參考。

關鍵詞：arXiv 最佳論文

做爲一個研究人員專用「佔坑」系統，arXiv.ordg 收錄了物理、數學、計算機科學等各個領域的大量研究論文，來自世界各地的研究人員都爲 arXiv 作出貢獻。

自 2016 年以來，其每個月提交量已經超過 1 萬篇。巨量的論文組成了一個真正的學習方法寶庫，你能夠用它來解決數據科學問題。但這繁多的資源也增長了篩選的難度。

大量的論文難免讓讀者感到眼花

爲此，咱們將 arXiv.org 上的一些最新的研究論文篩選了出來，這些論文都是關於人工智能，機器學習和深度學習領域中很是吸引人的科目，包括統計學，數學和計算機科學等，而後咱們整理出了六月最熱論文列表。

咱們但願經過挑選能做爲數據科學家典型表明的文章來幫你們節省一些時間。下面列出的文章表明 arXiv 上出現的全部文章中的一小部分。排名不分前後，每一個論文附有連接以及簡要概述。

因爲這些都是學術研究論文，一般面向研究生，博士後和經驗豐富的專業人士。其中一般包含高等數學，所以你們要作好準備。接下來，就請享用吧！

《Monte Carlo Gradient Estimation in Machine Learning》
機器學習中的 Monte Carlo 梯度估計
論文連接：https://arxiv.org/pdf/1906.10652.pdf
推薦等級：★★★★★

本文是對咱們在機器學習和統計科學中，蒙特卡羅梯度估計所使用的方法的普遍和可訪問的調查：計算函數指望的梯度與定義分佈的參數問題的整合，以及敏感性分析的問題。

在機器學習研究中，這種梯度問題是許多學習問題的核心（包括監督，無監督和強化學習）。谷歌研究人員一般尋求以一種容許蒙特卡羅估計的形式重寫這種梯度，使它們可以方便、有效地被使用和分析。

隨機優化迴路包括仿真階段和優化階段

《An Introduction to Variational Autoencoders》
變分自編碼器簡介
論文連接：https://arxiv.org/pdf/1906.02691v1.pdf
推薦等級：★★★★★

變分自編碼器爲學習深層潛在變量模型和相應的推理模型提供了原理框架。本文介紹了變分自編碼器和一些重要的擴展。

VAE學習觀測到的x空間之間的隨機映射

《Generative Adversarial Networks: A Survey and Taxonomy》
生成性對抗網絡：調查與分類
論文連接：https://arxiv.org/pdf/1906.01529v1.pdf
推薦等級：★★★★★

在過去的幾年中，有大量關於生成對抗網絡（GAN）的研究。這其中最具革命性的技術，出如今計算機視覺領域，好比圖像生成，圖像到圖像的轉換，面部特徵變化等領域。

儘管 GAN 的研究取得了一些突破，但在用於實際問題時會面臨 3 個主要挑戰：（1）高質量圖像生成; （2）多樣化的圖像生成; （3）穩定性訓練。

做者提出了一種方式，用於對大多數流行的 GAN 進行分類，分別是架構變體（architecture-variants）和損失變體（loss-variants），而後從這兩個角度來處理三個挑戰。

在本文中，回顧和探討了 7 個架構變體 GANs 和 9 個損失變體 GANs，論文的目的，在於提供對當前 GAN 性能提高研究的深入分析。

GAN 的架構。在學習過程當中同步訓練兩個深度神經網絡識別器D和發生器G

《Learning Causal State Representations of Partially Observable Environments》
學習部分可觀測環境的因果狀態表示
論文連接：https://arxiv.org/pdf/1906.10437.pdf
推薦等級：★★★★
智能 agent 能夠用過學習與狀態無關的抽象，來應對狀況複雜多變的環境。在這篇文章中，提出了近似因果狀態的機制，在可觀察的馬爾可夫決策過程當中，最優地推進行動和觀察的聯合。所提出的算法從 RNN 中提取因果狀態表示，該 RNN 被訓練以預測歷史的後續觀察。做者證實，經過對不可知的狀態抽象的學習，可有效地學習強化學習問題的策略規劃。

功能神通過程(FNP)模型

《The Functional Neural Process》
函數神通過程
論文連接：https://arxiv.org/pdf/1906.08324.pdf
推薦等級：★★★★

本文提出了一個可交換的隨機過程，稱爲函數神通過程（FNPs）。FNP 模型在給定的數據集上訓練，經過潛在表示上的依賴關係圖，來進行函數的模擬分佈。

在這樣作時，一般的方式只定義了貝葉斯模型，而忽略了在全局參數上設置先驗分佈; 爲了對此進行改進，本文對數據集的關係結構給出先驗，將這個任務進行簡單化。

做者展現瞭如何從數據中學習這些模型，經過小批量優化測試，證實它們能夠擴展到大型數據集，並描述瞭如何經過後驗預測分佈對新點進行預測。

爲了驗證 FNPs 的性能，在 toy regression 和圖像分類上作了測試，結果證實，和基準線的那些參數相比，FNPs 可以提供更好的競爭預測，以及更穩健的不肯定性估計。

生成節點的圖形模型測試結果隨機過程

—— 完 ——

掃描二維碼，加入討論羣
得到優質數據集
回覆「進羣」自動入羣
更多精彩內容（點擊圖片閱讀）