以下所有的论文都是免费的，涵盖了从超梯度到CNN的产量响应建模等一系列主题。每位专家还附上了论文被选中的原因以及简短的个人简历。
本文解读了两个关键的讨论点，即稀疏训练数据的局限性，以及循环网络是否能在完全监督的情况下支持元学习。这些要点在七个概念验证实验中得到了解决，每个实验都研究了深度元RL的一个关键方面。我们考虑了扩展和扩大该方法的前景，同时也指出了一些对神经科学的潜在重要影响。点击这里阅读更多内容。
Jeff推荐的第二篇论文通过在整个训练过程中倒链导数，计算出所有超参数的交叉验证性能的精确梯度。这些梯度允许对数千个超参数进行优化，包括步长和动量计划、权重初始化分布、丰富的参数化正则化方案和神经网络架构。你可以在这里阅读更多关于这篇论文的内容。
这篇1997年的开创性论文的思想是超前于那个时代的。直到最近（即过去6年左右），硬件加速器才有能力运行LSTM的训练/服务操作，从而使得LSTM成功用于许多应用（如语言建模，手势预测，用户建模）。 LSTM基于记忆的序列建模架构非常有影响力它启发了许多最新的改进方法，例如Transformers。这篇论文对我的工作影响很大。
本文讨论了近期流行的对象检测模型RetinaNet的创新变体，并介绍了增量学习的范例，该范例的此应用和其他对于多模式学习应用是很有效的。本文中使用的关键思想和增量学习公式对从事CV工作的任何人都有用，并且可以为对移动设备有效的高效增量算法铺平未来创新的道路。
Emergent Tool Use From Multi-Agent Autocurricula (2019)
--Bowen Baker等人。
Ken之所以选择这篇论文，是因为它给出了一个独特的例子，说明了新兴行为，并暗示了开放性的开始。论文本身找到了明确的证据，证明在我们的环境中，代理策略有六个涌现阶段，每一个阶段都会给对方团队带来新的压力，让他们去适应；例如，代理学会了使用可移动的盒子来建造多物体掩体，这又导致代理发现他们可以使用坡道来克服障碍。点击这里阅读本文的更多内容。
我们允许Ken也加入了他自己和他的同事们的一篇论文，他的建议是 "关于开放式挑战的非技术性介绍"。这篇论文在描述中解释了这个挑战到底是什么，如果解决了它的惊人意义，以及如果我们激发了你的兴趣，如何加入这个探索。在这里阅读更多关于这篇论文的内容。
Andriy推荐了2017年的这篇论文，因为用他自己的话说，"它将NLP与BERT等预训练的Transformer模型带到了一个全新的高度"。论文提出了一种新的简单网络架构--Transformer，完全基于注意力机制，完全免除了递归和卷积。在两个机器翻译任务上的实验表明，这些模型在质量上更胜一筹，同时更可并行化，所需的训练时间也大大减少。你可以在这里阅读这篇论文。
当我们联系Andrew时，脑海中并没有具体的论文，然而，我们被引导到他最近的一篇帖子，其中突出了他认为可能感兴趣的两篇论文。下面引用了这两篇论文。
在这项工作中，Andre等人提出了一种卷积神经网络(CNN)来捕捉不同属性的相关空间结构，并将它们结合起来建模产量对养分和种子率管理的响应。利用九个农场实验构建了一个合适的数据集，对CNN模型进行训练和检验。评估了四种组合了网络中不同阶段的输入属性的体系结构，并将其与最常用的预测模型进行了比较,在这里阅读更多关于文章的内容。
A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis (2019)
医学影像诊断疾病的深度学习绩效与医护人员的比较：系统回顾与meta-analysis(2019)--刘晓轩等.
- 上一篇： 国产云端AI芯片如何站稳脚跟
- 下一篇： 拥有人工智能的计算机知道自己是台计算机吗？
