arXiv 선정: 6월의 가장 인기 있는 논문 5편
1991년에 설립된 arXiv.org는 현재까지 100만 건 이상의 사전 인쇄본을 수집했습니다. 최근 몇 년 동안 월별 제출량이 10,000건을 넘어섰습니다. 이것은 거대한 학습의 보고가 되었습니다. 이 기사에서는 참고를 위해 지난달 arXiv.org에 게재된 인공지능 분야의 가장 인기 있는 논문을 나열했습니다.
연구자들을 위한 전담 "점유" 시스템으로,arXiv.org arXiv에는 물리학, 수학, 컴퓨터 과학 등 다양한 분야의 연구 논문이 다수 수록되어 있습니다. 전 세계의 연구자들이 arXiv에 기여하고 있습니다.
2016년부터 월별 제출 건수가 1,000건을 넘어섰습니다. 10,000기사. 엄청난 수의 논문이 실제를 구성합니다.학습 방법의 보물 창고데이터 과학 문제를 해결하는 데 사용할 수 있습니다. 하지만 이렇게 방대한 양의 자료는 선별의 어려움을 증가시키기도 합니다.
이러한 목적을 위해, 우리는 arXiv.org에서 일부 최신 연구 논문을 선정했습니다.인공지능, 머신러닝, 딥러닝우리는 통계학, 수학, 컴퓨터 과학을 포함하여 해당 분야에서 매우 매력적인 과목 목록을 작성했습니다.가장 인기 있는논문 목록
우리는 데이터 과학자가 되는 것이 무엇을 의미하는지 보여주는 기사를 선택하여 여러분의 시간을 절약해 드리고자 합니다. 아래에 나열된 기사는 arXiv에 게재된 모든 기사의 일부에 불과합니다. 순위는 특별한 순서가 없으며, 각 논문에는 링크와 간략한 개요가 함께 제공됩니다.
이것들은 학술 연구 논문이기 때문에 일반적으로대학원생, 박사후 연구원 및 경험이 풍부한 전문가.여기에는 일반적으로 고급 수학이 포함되므로 준비하세요. 다음으로, 즐겨보세요!
머신 러닝에서의 몬테카를로 경사 추정
논문 링크:https://arxiv.org/pdf/1906.10652.pdf
추천 레벨: ★★★★★
이 글은 머신 러닝과 통계 과학 분야에서 우리의 연구를 탐구한 것입니다.몬테카를로 경사 추정사용된 방법에 대한 광범위하고 접근 가능한 조사: 정의된 분포의 매개변수를 사용하여 함수 기대값의 기울기를 계산하는 문제와 민감도 분석 문제를 통합합니다.
머신 러닝 연구에서 이러한 기울기 문제는 많은 학습 문제(지도 학습, 비지도 학습, 강화 학습 포함)의 핵심입니다.구글 연구원들이러한 기울기를 몬테카를로 추정이 가능한 형태로 다시 작성하여 편리하고 효율적으로 사용하고 분석할 수 있도록 하는 것이 종종 시도됩니다.
"변형 자동 인코더 소개"
변분 자동 인코더 소개
논문 링크:https://arxiv.org/pdf/1906.02691v1.pdf
권장 레벨:★★★★★
변분형 오토인코더심층적 잠재 변수 모델과 해당 추론 모델을 학습하기 위한 원칙적인 프레임워크를 제공합니다. 본 논문에서는 변분 자동 인코더와 몇 가지 중요한 확장 기능을 소개합니다.
"생성적 적대 네트워크: 조사 및 분류"
생성적 적대 신경망:조사 및 분류
논문 링크:https://arxiv.org/pdf/1906.01529v1.pdf
추천 레벨: ★★★★★
지난 몇 년 동안 많은 일이 있었습니다.생성적 적대 신경망(GAN)연구. 이들 중 가장 혁신적인 기술은 컴퓨터 비전 분야에 등장했는데, 이미지 생성, 이미지-이미지 변환, 얼굴 특징 변경 등이 그 예입니다.
GAN 연구는 몇 가지 획기적인 진전을 이루었지만 실제 문제에 적용하는 데는 어려움에 직면합니다. 3가지 주요 과제:(1) 고품질 이미지 생성 (2) 다양한 이미지 생성 (3) 안정성 훈련.
저자는 가장 인기 있는 GAN을 분류하는 방법을 제안했습니다.아키텍처 변형(아키텍처 변형) 및손실 변형(손실 변형)을 다룬 다음, 이 두 가지 관점에서 세 가지 과제를 처리합니다.
본 논문에서는 7가지 아키텍처 변형 GAN과 9가지 손실 변형 GAN을 검토하고 논의합니다. 본 논문의 목적은 GAN 성능 개선에 대한 최신 연구를 심층적으로 분석하는 것입니다.
"부분적으로 관찰 가능한 환경의 인과 상태 표현 학습"
부분적으로 관찰 가능한 환경에서 인과 상태 표현 학습
논문 링크:https://arxiv.org/pdf/1906.10437.pdf
추천 레벨 : ★★★★
지능형 에이전트는 상태 독립적인 추상화를 학습하여 복잡하고 변화하는 환경에 대처할 수 있습니다. 본 논문에서는 관찰 가능한 마르코프 의사결정 과정에서 행동과 관찰의 결합을 최적으로 촉진하기 위해 인과 상태를 근사화하는 메커니즘을 제안합니다. 제안된 알고리즘은 과거로부터 후속 관찰을 예측하도록 훈련된 RNN에서 인과 상태 표현을 추출합니다. 저자는 다음을 증명합니다.알 수 없는 상태의 추상화를 학습함으로써 강화 학습 문제에 대한 전략 계획을 효과적으로 배울 수 있습니다.
"기능적 신경 과정"
기능적 신경 과정
논문 링크:https://arxiv.org/pdf/1906.08324.pdf
추천 레벨 : ★★★★
본 논문에서는 무작위 교환 프로세스를 제안합니다.기능적 신경 과정(FNP). FNP 모델은 잠재 표현에 대한 종속성 그래프를 통해 함수 분포를 시뮬레이션하기 위해 주어진 데이터 집합을 기반으로 학습됩니다.
그렇게 함으로써, 일반적인 접근 방식은 베이지안 모델만 정의하고 전역 매개변수에 대한 사전 분포를 설정하는 것을 무시합니다. 이를 개선하기 위해,이 논문에서는 이 작업을 단순화하기 위해 데이터 세트의 관계 구조에 대한 사전 정보를 제공합니다.
저자는 데이터에서 이러한 모델을 학습하는 방법을 보여줍니다.소규모 배치 최적화 테스트이를 통해 대규모 데이터 세트에 맞게 확장할 수 있음을 보여주고 사후 예측 분포를 통해 새로운 지점에 대한 예측을 어떻게 수행할 수 있는지 설명합니다.
FNP의 성능을 검증하기 위해 장난감 회귀와 이미지 분류에 대한 테스트를 실시했습니다. 연구 결과에 따르면 FNP는 기준선 매개변수에 비해 더 나은 경쟁 예측과 더욱 견고한 불확실성 추정치를 제공할 수 있는 것으로 나타났습니다.
