【導讀】2018年剛已過去，對於人工智能機器學習是一個收穫頗豐的年度。在reddit機器學習版塊新出一個熱點問題“What is the best ML paper you read in 2018 and why?”，引起很多網友的回答，各位給出了自己認為做好的ML論文以及原因。在這裡

【年度最佳論文打包下載】

請關注“AI應用前沿”頭條號（點擊上方藍色「AI 應用前沿」）

• 後臺私信回覆“MLB2018” 就可以獲取2018年度最佳論文的下載鏈接~

What is the best ML paper you read in 2018 and why?

網址：

https://www.reddit.com/r/MachineLearning/comments/a6cbzm/d_what_is_the_best_ml_paper_you_read_in_2018_and/

#beezlebub33#回答，51 Points

Large-Scale Study of Curiosity-Driven Learning

https://pathak22.github.io/large-scale-curiosity/

http://www.zhuanzhi.ai/paper/e5748eb66ea3f082f8b94916774ef374

這篇論文的重要性在於它在沒有明確獎勵的情況下在各種遊戲中取得了良好的表現。它通過做預測、識別違反預期的行為，以及探索自己不知道的領域，學會了如何玩遊戲。這就引出了人工智能需要走的方向:自我監督、未標記的數據、預測、好奇心、內在動機等。在這個世界上，人類沒有足夠的時間來產生受監督的訓練集，並在這些數據集上定義度量標準。相反，如果你向人工智能提供來自系統(或自然界)的原始數據，並且它可以學習該系統時空演化的內部表示，那麼你就可以定義一個目標，人工智能就能夠實現它。

Learning Unsupervised Learning Rules

http://www.zhuanzhi.ai/paper/dd00419fa76c032b7df6e7bb6035bfd0

再者，這都是關於使用無監督學習來學習有用的東西，但更好的是，它是學習如何學習。元學習是一個關鍵領域，學習學習規則可以讓人工智能瞭解自己，並最終提高自己。如果你能教電腦如何學習，它如何探索如何學習，那麼我們就有機會起飛了。

#anterak13#回答，20 points

Rethinking statistical learning theory: learning with statistical invariants

https://link.springer.com/article/10.1007/s10994-018-5742-0

https://www.youtube.com/watch?v=rNd7PDdhl4c

#SupportVectorMachine# 回答

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks

http://www.zhuanzhi.ai/paper/eeb3f9ff30551ef554265907f24cf278

今年已經有了一些很好的結果，NVIDIA關於逐漸增長的GANs(包括他們最新論文中令人難以置信的好結果)所做的工作給我留下了特別深刻的印象。但我最喜歡的可能是《GAN解剖:可視化和理解生成性對抗網絡》(GAN Dissection: Visualizing and Understanding generate Adversarial Networks)，這是我一段時間以來看到的寫得最好、插圖最豐富的論文之一(這是一篇全面、實際上是可理解的論文)。

#kartayyar#回答

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

http://www.zhuanzhi.ai/paper/49f897ff4de3ea0e5bb0326078a7dab9

https://github.com/google-research/bert

好的創意，他們使用的掩蔽是很有創意的。他們用簡單的語言很好地描述了他們的核心思想。在Github上有可複製結果的代碼。他們處理了多項不同的任務。

#lmericle# 回答

Bayesian Neural Networks

https://arxiv.org/abs/1801.07710

我發現最初的貝葉斯神經網絡論文很好的解釋了概率編程，而且它不需要整個教科書來理解!當然，這篇文章會更全面和詳細。

#breadwithlice#回答，

Phrase-Based & Neural Unsupervised Machine Translation

http://www.zhuanzhi.ai/paper/484ce1c1064cd372ba6e9eec459d2e0f

將一種語言翻譯成另一種語言，不使用任何映射、字典或並行數據，只使用單語語料庫。他們使用了一種叫做反向翻譯的技巧，通過把A翻譯成B，然後把B翻譯成A，然後試著重新站起來，再把A和B調換一下，極大地提高了譯者的水平。

更多請上，

https://www.reddit.com/r/MachineLearning/comments/a6cbzm/d_what_is_the_best_ml_paper_you_read_in_2018_and/

閱讀更多 AI應用前沿 的文章

關鍵字: 2018頭條記憶 GitHub 論文