اختيار arXiv: خمسة من أكثر الأوراق البحثية سخونة في يونيو
تأسس موقع arXiv.org في عام 1991، وجمع أكثر من مليون نسخة مسبقة حتى الآن. وفي السنوات الأخيرة، تجاوز حجم طلبات التقديم الشهرية 10 آلاف طلب. لقد أصبح هذا بمثابة كنز ضخم للتعلم. تتضمن هذه المقالة أهم الأوراق البحثية في مجال الذكاء الاصطناعي على arXiv.org في الشهر الماضي للرجوع إليها.
باعتباره نظام "إشغال" مخصص للباحثين،arXiv.org يحتوي على عدد كبير من أوراق البحث في مجالات مختلفة مثل الفيزياء والرياضيات وعلوم الكمبيوتر وغيرها. يساهم الباحثون من جميع أنحاء العالم في arXiv.
منذ عام 2016، تجاوزت طلباتها الشهرية 10,000شرط. يشكل عدد كبير من الأوراق حقيقةكنز من أساليب التعلم، والتي يمكنك استخدامها لحل مشكلات علوم البيانات. ولكن هذه المجموعة الواسعة من الموارد تزيد أيضًا من صعوبة الفحص.
ولتحقيق هذه الغاية، قمنا باختيار بعض أحدث الأبحاث المنشورة على arXiv.org.الذكاء الاصطناعي والتعلم الآلي والتعلم العميقلقد قمنا بتجميع قائمة من الموضوعات الجذابة للغاية في هذا المجال، بما في ذلك الإحصاء والرياضيات وعلوم الكمبيوتر.الأكثر سخونةقائمة الأوراق.
نأمل أن نوفر لك بعض الوقت من خلال اختيار المقالات التي توضح ما يعنيه أن تكون عالم بيانات. تمثل المقالات المدرجة أدناه جزءًا صغيرًا من جميع المقالات التي ظهرت على arXiv. لا يوجد ترتيب معين للتصنيف، وكل ورقة بحثية مصحوبة برابط ونظرة عامة موجزة.
نظرًا لأن هذه أوراق بحثية أكاديمية، فإنها عادةً ما تكونطلاب الدراسات العليا وطلبة ما بعد الدكتوراه والمهنيين ذوي الخبرة.يتضمن هذا عادةً الرياضيات المتقدمة، لذا كن مستعدًا. بعد ذلك استمتع!
تقدير تدرج مونت كارلو في التعلم الآلي
رابط الورقة:https://arxiv.org/pdf/1906.10652.pdf
المستوى الموصى به: ★★★★★
تستكشف هذه المقالة عملنا في مجال التعلم الآلي والعلوم الإحصائية.تقدير تدرج مونت كارلودراسة واسعة النطاق وسهلة الوصول للطرق المستخدمة: دمج مشكلة حساب تدرج توقع الدالة مع معلمات التوزيع المحدد، ومشكلة تحليل الحساسية.
في أبحاث التعلم الآلي، تشكل مشكلة التدرج هذه جوهر العديد من مشاكل التعلم (بما في ذلك التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز).باحثو جوجلوكثيرا ما يسعى البعض إلى إعادة كتابة مثل هذه التدرجات في شكل يسمح بتقدير مونت كارلو، بحيث يمكن استخدامها وتحليلها بشكل ملائم وفعال.
"مقدمة إلى مُرمِّزات التباين التلقائي"
مقدمة إلى أجهزة التشفير التلقائي المتغيرة
رابط الورقة:https://arxiv.org/pdf/1906.02691v1.pdf
المستوى الموصى به:★★★★★
مشفر تلقائي متغيريوفر إطارًا مبدئيًا لتعلم نماذج المتغيرات الكامنة العميقة ونماذج الاستدلال المقابلة. تقدم هذه الورقة تعريفًا لمشفرات التباين التلقائي وبعض الامتدادات المهمة.
"الشبكات التوليدية التنافسية: دراسة وتصنيف"
الشبكات التنافسية التوليدية:التحقيق والتصنيف
رابط الورقة:https://arxiv.org/pdf/1906.01529v1.pdf
المستوى الموصى به: ★★★★★
في السنوات القليلة الماضية، كان هناك الكثير منالشبكات التنافسية التوليدية (GANs)بحث. وقد ظهرت أكثر التقنيات ثورية في مجال الرؤية الحاسوبية، مثل توليد الصور، وتحويل الصور إلى صور، وتغيير ملامح الوجه.
على الرغم من أن أبحاث الشبكات التوليدية التنافسية حققت بعض الإنجازات، إلا أنها تواجه صعوبات عند تطبيقها على المشاكل العملية. 3 تحديات رئيسية:(1) توليد صور عالية الجودة؛ (2) توليد صور متنوعة؛ (3) تدريب الاستقرار.
اقترح المؤلفون طريقة لتصنيف شبكات GAN الأكثر شيوعًا إلىمتغيرات العمارة(متغيرات العمارة) ومتغيرات الخسارة(متغيرات الخسارة)، ثم نتعامل مع ثلاثة تحديات من هذين المنظورين.
في هذه الورقة، تمت مراجعة ومناقشة 7 متغيرات معمارية لشبكات GAN و9 متغيرات خسارة لشبكات GAN. يهدف هذا البحث إلى تقديم تحليل متعمق للأبحاث الحالية حول تحسين أداء GAN.
"تعلم تمثيلات الحالة السببية للبيئات القابلة للملاحظة جزئيًا"
تعلم تمثيلات الحالة السببية في البيئات القابلة للملاحظة جزئيًا
رابط الورقة:https://arxiv.org/pdf/1906.10437.pdf
المستوى الموصى به: ★★★★
يمكن للوكلاء الأذكياء التعامل مع البيئات المعقدة والمتغيرة من خلال تعلم التجريدات المستقلة عن الحالة. في هذه الورقة، نقترح آليات لتقريب الحالات السببية لتعزيز اتحاد الإجراءات والملاحظات في عمليات اتخاذ القرار ماركوف القابلة للملاحظة بشكل مثالي. تستخرج الخوارزمية المقترحة تمثيلات الحالة السببية من شبكة عصبية متكررة تم تدريبها للتنبؤ بالملاحظات اللاحقة من التاريخ. يثبت المؤلف أنمن خلال تعلم تجريد الحالات غير القابلة للمعرفة، يمكن تعلم التخطيط الاستراتيجي لمشاكل التعلم المعزز بشكل فعال.
"العملية العصبية الوظيفية"
العملية العصبية الوظيفية
رابط الورقة:https://arxiv.org/pdf/1906.08324.pdf
المستوى الموصى به: ★★★★
تقترح هذه الورقة عملية تبادل عشوائية تسمىالعمليات العصبية الوظيفية (FNPs). يتم تدريب نموذج FNP على مجموعة بيانات معينة لمحاكاة توزيع الوظائف من خلال رسم بياني للاعتماد على التمثيل الكامن.
ومن خلال القيام بذلك، فإن النهج المعتاد يحدد فقط النموذج البايزي ويتجاهل تحديد التوزيعات المسبقة على المعلمات العالمية؛ لتحسين هذا،تقدم هذه الورقة مقدمة عن البنية العلائقية لمجموعة البيانات لتبسيط هذه المهمة.
يوضح المؤلفون كيفية تعلم هذه النماذج من البيانات، من خلالاختبار تحسين الدفعة الصغيرة، والتي توضح أنها تتناسب مع مجموعات البيانات الكبيرة، وتصف كيف يمكن إجراء تنبؤات لنقاط جديدة من خلال التوزيع التنبئي الخلفي.
للتحقق من أداء FNPs، تم إجراء اختبارات على الانحدار اللعبي وتصنيف الصور. وأظهرت النتائج أن FNPs يمكن أن توفر تنبؤات تنافسية أفضل وتقديرات عدم يقين أكثر قوة مقارنة بمعلمات خط الأساس.
