arXiv セレクション: 6 月に最も人気のある 5 つの論文を 1 つの記事で読む
1991 年に設立された arXiv.org には、100 万件を超える論文のプレプリントが含まれており、近年では毎月の投稿数が 10,000 件を超えています。それは大きな学びの宝庫になります。この記事では、参考までに、過去 1 か月間 arXiv.org で人工知能の分野で最も人気のある論文をリストします。
研究者専用の「罠受け」システムとして、arXiv.org 物理学、数学、コンピューターサイエンスなどのさまざまな分野の研究論文が多数含まれています。arXiv には世界中の研究者が貢献しています。
2016 年以来、月間投稿量は 10,000記事。膨大な数の論文が実際の論文を構成する学習法の宝庫、データ サイエンスの問題を解決するために使用できます。しかし、この膨大なリソースにより、スクリーニングの難易度も高くなります。
この目的を達成するために、私たちは arXiv.org で最新の研究論文をいくつか選別しました。人工知能、機械学習、深層学習統計、数学、コンピュータサイエンスなどを含む、この分野で非常に魅力的な科目。そして、6月の科目を整理しました。最もホットな論文のリスト。
データ サイエンティストを代表する記事を選択することで時間を節約できればと考えています。以下にリストされている記事は、arXiv に掲載されているすべての記事の小さなサブセットを表しています。順不同でリストされており、各論文にはリンクと簡単な概要が付いています。
これらは学術研究論文であるため、通常は次のような方向を向いています。大学院生、ポスドク、経験豊富な専門家。これには高度な数学が含まれることが多いため、準備をしてください。次は楽しんでください！
「機械学習におけるモンテカルロ勾配推定」 機械学習におけるモンテカルロ勾配推定
論文リンク:https://arxiv.org/pdf/1906.10652.pdf
オススメ度： ★★★★★
この記事は機械学習と統計科学に携わる私たちに向けたものです。モンテカルロ勾配推定使用された手法の広範でアクセスしやすい調査: 関数の予想される勾配を計算する問題と分布を定義するパラメトリック問題の統合、および感度分析の問題。
機械学習の研究では、この勾配問題は多くの学習問題 (教師あり学習、教師なし学習、強化学習を含む) の中心となります。Google研究者このような勾配をモンテカルロ推定が可能な形式で書き換えて、便利かつ効率的に使用および分析できるようにすることがしばしば求められます。
「変分オートエンコーダの紹介」
変分オートエンコーダの概要
論文リンク:https://arxiv.org/pdf/1906.02691v1.pdf
推奨レベル：★★★★★
変分オートエンコーダこれは、深い潜在変数モデルと対応する推論モデルを学習するための原則的なフレームワークを提供します。この記事では、変分オートエンコーダーといくつかの重要な拡張機能を紹介します。
「敵対的生成ネットワーク: 調査と分類法」
敵対的生成ネットワーク:調査と分類
論文リンク:https://arxiv.org/pdf/1906.01529v1.pdf
オススメ度： ★★★★★
ここ数年、多くの研究が行われてきました。敵対的生成ネットワーク (GAN)研究。その中で最も革新的な技術は、画像生成、画像から画像への変換、顔の特徴の変更など、コンピュータビジョンの分野に現れています。
GAN 研究はいくつかの進歩を遂げましたが、実際の問題に使用すると問題に直面します。 3 つの主な課題:(1) 高品質な画像生成、(2) 多様な画像生成、(3) 安定性トレーニング。
著者は、最も人気のある GAN を分類する方法を提案しています。アーキテクチャのバリエーション(アーキテクチャのバリエーション) および損失バリアント(損失バリアント) を検討し、これら 2 つの観点から 3 つの課題に対処します。
この論文では、7 つのアーキテクチャ バリアント GAN と 9 つの損失バリアント GAN についてレビューおよび議論します。この論文の目的は、現在の GAN パフォーマンス向上研究の詳細な分析を提供することです。
「部分的に観察可能な環境の因果的状態表現の学習」
部分的に観察可能な環境の因果的状態表現の学習
論文リンク:https://arxiv.org/pdf/1906.10437.pdf
オススメ度：★★★★
インテリジェント エージェントは、状態に依存しない抽象化を学習して、複雑で変化する環境に対処できます。この記事では、観察可能なマルコフ決定プロセスにおけるアクションと観察の結合を最適に駆動する因果状態を近似するメカニズムを提案します。提案されたアルゴリズムは、歴史における後続の観察を予測するように訓練された RNN から因果関係の状態表現を抽出します。著者はそれを証明している不可知論的な状態抽象化から学習することにより、強化学習問題に対する戦略計画を効果的に学習できます。
「機能的な神経プロセス」
機能的な神経プロセス
論文リンク:https://arxiv.org/pdf/1906.08324.pdf
オススメ度：★★★★
この論文は、と呼ばれる可換確率過程を提案します。機能的神経プロセス (FNP)。 FNP モデルは、基礎となる表現への依存関係のグラフを通じて関数の分布をシミュレートするために、特定のデータセットでトレーニングされます。
その際、通常の方法ではベイジアン モデルのみを定義し、これを改善するためにグローバル パラメーターに事前分布を設定することは無視されます。この記事では、このタスクを簡素化するために、データ セットのリレーショナル構造について先験的に説明します。
著者らは、これらのモデルをデータから学習する方法を次のように示しています。小規模バッチの最適化テスト、それらが大規模なデータセットにスケールされることを示し、事後予測分布を介して新しい点の予測がどのように行われるかを説明します。
FNP のパフォーマンスを検証するために、おもちゃ回帰と画像分類に関するテストが実施されました。その結果、ベースラインのパラメータと比較して、FNP はより優れた競合予測とより堅牢な不確実性推定を提供できることが証明されました。
