Reddit 網友票選 2018 最佳論文（附閱讀技巧）

https://mp.weixin.qq.com/s/dQxbmSHouyAx13LxDKl8kQ

by 超神經

讀論文這件事，對深刻了解細分領域的技術和難題來講，重要性毋庸置疑。 

2018 年也出現了不少優質的論文，好比各大頂級學術會議上的獲獎論文，咱們今天盤點的是 Reddit 網友心中那些 2018 幫助過他們的論文。

Reddit 網友：這篇論文我投一票

@beezlebub33 推薦論文：
《Large-Scale Study of Curiosity-Driven Learning》
大規模的好奇驅動學習研究
https://pathak22.github.io/large-scale-curiosity/

推薦理由：
這篇文章的重要性體如今，它無需好的獎勵機制，就在不少遊戲中實現了優異的性能。重要的是它學會了經過預測去玩遊戲，能辨別違反指望的行爲，可以去探索未知的領域。這多是 AI 之後發展的方向：自我監督、無標籤數據、會預測、好奇心、具備內動力等等。

人們尚未足夠的時間去創造出有監督訓練集，而且給這些數據集定義矩陣。但若是，給 AI 提供原始數據，而且它能夠學習該系統的時空演變的內部表示，那麼您能夠經過定義目標，最終用 AI 將它實現。

@YBuzzinGA 推薦論文：
《Learning Unsupervised Learning Rules》
學習無監督學習法則
https://arxiv.org/abs/1804.00222.

推薦理由：
這篇文章是關於使用無監督學習來完成一些任務，它的特色在於，模型正在學習如何本身學習。

元學習是一個關鍵領域，學習那些學習規則會讓 AI 去理解本身，而且去改善本身。若是你能夠教一臺計算機如何學習瞭解本身，那麼咱們就有可能實現飛躍。

@breadwithlice 推薦論文：
《Phrase-Based & Neural Unsupervised
Machine Translation》
基於短語和無監督神經機器翻譯
https://arxiv.org/abs/1810.04805v1

推薦理由：
這篇文章裏，僅使用單語料庫，就能將完成翻譯，並且不須要任何映射，字典或並行數據。
論文裏使用了一種反向翻譯技術，從A轉換爲B時，而後將B轉換爲A，這麼作大大改善翻譯器，而後切換A和B，這個結果使人驚喜！

@kartayyar 推薦論文：
《Pre-training of Deep Bidirectional Transformers
for Language Understanding 》
語言理解中深層雙向法的預訓練
https://arxiv.org/abs/1809.10756

推薦理由：
我喜歡它的地方：
很棒的創新理念，他們使用的遮蔽方法是很是有創意的。

他們用很簡單的語句就說清楚了他們的核心理念。
在Github上有代碼可重現的結果。
可以處理了多項不一樣的任務。

@ndha1995 推薦論文：
《An Introduction to Probabilistic Programming》
機率規劃導論
https://arxiv.org/abs/1809.10756

推薦理由：
這是我在2018年最喜歡的論文。

做者對機率規劃進行了全面而嚴謹的介紹，並在最後一章中，介紹了最近關於深度神經網絡，和機率規劃相結合的研究 。

讀論文的硬核建議

就算知道了厲害的論文，除了喊着哇，真厲害，那怎麼樣才能看懂它們呢？ 

首先仍是想清楚你的動機，主動地想要探索和被動的完成任務，效果和體驗就會徹底不一樣了。咱們找到了一些硬核建議，嗯，就幫大家到這了。

批判性地閱讀

這是一個很重要的態度。不要盲從做者的觀點。相反，要去懷疑和求證。 

什麼是批判性閱讀？嘗試着去提出問題。若是做者試圖解決某個問題，他們是否正確的解決了？有沒有做者沒有考慮到簡單方案？解決方案有哪些侷限性（包括做者沒注意到或明確認可的）？ 

做者的假設是否合理？鑑於假設，論文的邏輯是否明確合理，或者推理中是否存在缺陷？ 

若是做者提供數據，他們的數據能不能來證明他們的論點，他們是收集數據的路徑是否合理？那他們解釋數據的方式呢？換用其餘數據會更好嗎？ 

創造性地閱讀

批判性地閱讀一篇論文難度係數不是最高，由於毀壞比構建更容易。而創造性的閱讀就涉及更難，更積極的思考。 

好比：本文有哪些很好的想法？這些想法是否有其餘應用程序或擴展？它們能被進一步推廣嗎？是否存在會帶來重大差別的改進？若是本身進行相關的探究，接下來會作些什麼呢？ 

在閱讀論文時作筆記

許多人都在讀論文時記錄筆記。這個方法是很不錯的，用你喜歡的方式，把想到的任何問題或批註，通通記錄下來。試着去找到做者的關鍵點。

大受好評的康奈爾筆記法

標記那些最重要或看似有問題的數據。這樣的標記有助於理解論文，同時還也有助於以後的回顧。

在第一次閱讀以後，
嘗試用一兩句話來總結論文

幾乎全部優秀的論文都在提出一個具體問題的答案。若是你能簡潔地描述一篇論文，你可能已經弄懂了到了做者的工做，包括他們想要解決的問題和最終的答案。一旦您專一於主要想法，再回過頭去概述論文，就能更深刻的瞭解具體細節。

實際上，若是用一兩句話總結論文很容易，那麼能夠來嘗試另外一種方法，列出三個或四個要點大綱來總結主要思想。 

若是可能，
將論文與其餘做品進行比較

總結論文是嘗試肯定論文科學貢獻的一種方法。但要真正掌握科學價值，你必須將論文與該領域的其餘做品進行比較。去弄清楚這些想法是新穎的，仍是之前出現過？
 
值得一提的是，科學研究呈現的方式有多種。好比一些論文只提出新的想法，而其餘人去實施驗證，並展現其工做方式；還有一些人將以前想法結合在一塊兒，並在一個新穎的框架下整合起來。瞭解該領域的其餘工做能夠幫助你更好的瞭解論文的價值。 

超神經小百科

無監督學習 Unsupervised learning

機器學習能夠分爲監督式學習、無監督式學習和半監督式學習。

無監督學習是不爲訓練集提供對應類別標識的學習方法。適用於有數據集但無標籤的狀況。

無監督學習中使用的數據是沒有標記過的，而訓練中也不知道輸入數據對應的輸出結果是什麼。沒有受到監督式加強 (告訴它何種學習是正確的)。

無監督學習只能默默的讀取數據，本身尋找數據的模型和規律，好比聚類（把類似數據歸爲一組）和異常檢測（尋找異常）。

無監督式學習的目的是去對原始資料進行分類，以便了解資料內部結構。其特色是僅對此種網絡提供輸入範例，而它會自動從這些範例中找出其潛在類別規則。當學習完畢並經測試後，也能夠將之應用到新的案例上。