0
隨著每一年的結(jié)束，麻省理工學(xué)院電氣工程與計算機(jī)科學(xué)系博士 Gregory J Stein 都會回顧一下對其影響最大的各大研究趨勢或論文，今年亦如此。
作為該領(lǐng)域的研究人員，他發(fā)現(xiàn)深入研究其認(rèn)為研究界取得的巨大進(jìn)展，或找出目前可能沒有取得進(jìn)展的領(lǐng)域，可能會很有意義。
本文中，Gregory J Stein 對機(jī)器學(xué)習(xí)和機(jī)器人研究領(lǐng)域的目前的發(fā)展現(xiàn)狀發(fā)表了他的看法。
AlphaZero 是2017年我最喜歡的論文之一。DeepMind 的國際象棋和圍棋 AI 今年實(shí)現(xiàn)了重大升級，現(xiàn)在的版本名叫： MuZero，從而順利將 Atari 游戲添加到了其以超越人類的表現(xiàn)完成的任務(wù)清單之列。
以前對于 AlphaZero 來說，Atari 游戲是遙不可及的，因為這款游戲的觀察空間非常大，這使得 AlphaZero 難以構(gòu)建行為樹并得出決策結(jié)果。在圍棋中，由于棋盤會遵循采取某個動作后棋盤會呈現(xiàn)的局勢的一系列規(guī)則，因此預(yù)測行為結(jié)果是很容易的。
但對于 Atari 而言，預(yù)測行動結(jié)果原則上需要預(yù)測下一幀游戲可能呈現(xiàn)的戰(zhàn)局。當(dāng)系統(tǒng)試圖估計它在幾幀內(nèi)的動作會對未來所造成的影響時，這種非常高維的狀態(tài)空間和難以定義的觀察模型，將極具挑戰(zhàn)。
MuZero論文地址：https://arxiv.org/abs/1911.08265
MuZero 通過學(xué)習(xí)狀態(tài)空間的潛在（低維）表示形式（包括當(dāng)前幀），然后在該學(xué)習(xí)空間中規(guī)劃從而規(guī)避了此問題。有了這一轉(zhuǎn)變，智能體就可以在這個狹小的隱藏空間中采取行動，并想象許多不同行動的影響并評估可能發(fā)生的取舍，這就是 AlphaZero 和 MuZero 都基于的蒙特卡洛樹搜索（MCTS）算法的標(biāo)志性特征。
這種方法感覺更像是我所期望的真正的智能決策系統(tǒng)：擁有權(quán)衡不同選擇，而不必精確地預(yù)測每個選擇對于真實(shí)世界的影響的能力。這里的復(fù)雜之處在于他們?nèi)绾瓮瑫r學(xué)習(xí)潛在空間并學(xué)會在該潛在空間進(jìn)行規(guī)劃，更多詳細(xì)信息可以參閱他們的論文。
這項工作真正令我吃驚的是，它是如何將個人想法組合成一個更大的工作系統(tǒng)。這篇論文與我見過的其它關(guān)于機(jī)器學(xué)習(xí)工作的系統(tǒng)論文一樣，但除了表征特征化神經(jīng)網(wǎng)絡(luò)訓(xùn)練這一常年慣用的技巧之外，MuZero 中提出的想法還幫助回答了關(guān)于如何為日益復(fù)雜的問題構(gòu)建 AI 的深刻問題。
整個 AI 研究社區(qū)都正在努力將個人的想法匯集起來，集合個體思想以建立更強(qiáng)大的決策系統(tǒng)。AlphaZero 和 MuZero 也都朝著這個方向發(fā)展，識別 MCTS 樹結(jié)構(gòu)（模擬選擇不同動作的影響）以及預(yù)測每個動作的未來優(yōu)點(diǎn)的能力，將產(chǎn)生更強(qiáng)大的學(xué)習(xí)系統(tǒng)。
而 MuZero 學(xué)習(xí)緊湊表示的額外能力（系統(tǒng)動態(tài)模型），可以模擬規(guī)劃動作和隨后觀察來達(dá)到規(guī)劃接下來的動作的目的，這讓我相信這樣的系統(tǒng)可能有一天能夠解決現(xiàn)實(shí)世界機(jī)器人技術(shù)的問題。
然而，AlphaZero 和 MuZero 目前還缺乏解決實(shí)際問題的能力，相關(guān)討論可參考這篇文章：
隨著我們努力使 AI 變得越來越智能，這項工作將推著我們往更好地理解哪些想法和工具能夠讓這些系統(tǒng)在現(xiàn)實(shí)中得以應(yīng)用的方向前進(jìn)。
在此領(lǐng)域，另一個值得一提的成果是 Facebook AI 的 Hanabi 紙牌游戲 AI，該系統(tǒng)中需要讓 AI 玩一個部分可觀察的協(xié)作式紙牌游戲。
也許最讓我興奮的進(jìn)展，要數(shù)表征學(xué)習(xí)領(lǐng)域。
我是老式經(jīng)典規(guī)劃和所謂的符號 AI 的忠實(shí)擁護(hù)者，在該方法中，智能體通過理解對象或人此類的符號與真實(shí)世界建立聯(lián)系。
人類一直是這樣做的，但是將我們的能力轉(zhuǎn)譯給機(jī)器人或者人工智能體時，我們經(jīng)常需要指明希望智能體推理出什么對象或者其他的預(yù)測。
但一個在很大程度上難以獲得確切答案的問題是：符號從何而來？更籠統(tǒng)地說：我們應(yīng)該如何表征世界，以便機(jī)器人在解決復(fù)雜的現(xiàn)實(shí)問題時能夠快速有效地做出決策？
最近的一些工作已開始在能夠從數(shù)據(jù)中學(xué)習(xí)這種表征的方向上取得真正的進(jìn)展，使學(xué)習(xí)系統(tǒng)能夠自行推斷對象或建立它們能夠用以與此前未見過的位置進(jìn)行交互的對象和位置的“關(guān)系圖”。
這項研究目前仍處于初級階段，但是我很渴望看到它的進(jìn)展，因為我堅信朝著能力更強(qiáng)的機(jī)器人方向前進(jìn)，需要對這個領(lǐng)域有更深入的了解和取得重大的進(jìn)步。我發(fā)現(xiàn)了幾篇特別有趣的論文，包括：
Entity Abstraction in Visual Model-Based Reinforcement Learning（基于視覺模型的強(qiáng)化學(xué)習(xí)中的實(shí)體抽象）
這篇文章是最近嘗試讓系統(tǒng)了解什么是對象，然后使用所學(xué)的動力學(xué)正向模擬那些對象的行為來構(gòu)建學(xué)習(xí)問題的少數(shù)研究之一。該篇論文表示：“ OP3 強(qiáng)制執(zhí)行實(shí)體抽象，將潛在狀態(tài)分解為局部實(shí)體狀態(tài)，每個局部狀態(tài)均使用以通用實(shí)體作為參數(shù)的相同函數(shù)進(jìn)行對稱處理。”
此工作尚處于起步階段，但我期待看到社區(qū)將如何繼續(xù)研究使用新穎的學(xué)習(xí)結(jié)構(gòu)，來系統(tǒng)找出感興趣的實(shí)體，然后用于后續(xù)的規(guī)劃管道中。
圖1 這是來自實(shí)體抽象論文的一個示例，展示了如何使用此方法對未來進(jìn)行預(yù)測
Bayesian Relational Memory for Semantic Visual Navigation （語義視覺導(dǎo)航的的貝葉斯關(guān)系記憶）
這篇論文涉及到構(gòu)建一個在線拓?fù)鋱D作為尋找語義目標(biāo)的智能體導(dǎo)航（例如找到廚房）。導(dǎo)航時，智能體將定期識別新的房間，并在它們變得足夠確定時將新房間添加到其不斷增長的關(guān)系圖中。這里執(zhí)行的一切處理都基于視覺，意味著系統(tǒng)必須處理相當(dāng)大的不確定性和高維輸入。這篇文章與 ICLR 2018 上發(fā)表的一篇極具影響力的論文《 Semi-parametric Topological Memory for Navigation》的想法類似：智能體需要事先演示環(huán)境以構(gòu)建它的地圖。
在未來幾年里，我期望看到 AI 研究社區(qū)如何繼續(xù)將基于模型和不基于模型的技術(shù)之間的邊界模糊化。
概括而言：我希望符號 AI 和更多“現(xiàn)代”深度學(xué)習(xí)方法能夠交叉取得更多的進(jìn)展，以解決像基于視覺的地圖構(gòu)建、不確定性下的規(guī)劃和終身學(xué)習(xí)等機(jī)器人技術(shù)社區(qū)感興趣的問題。
自從 Facebook 研究院的 Mask-RCNN 在 2018 年興起以來，我在監(jiān)督機(jī)器視覺領(lǐng)域再也沒有看到尤為鼓舞人心的研究成果。這并不是說這個領(lǐng)域的研究不重要。
在這個領(lǐng)域，諸如語義分割或?qū)ο髾z測之類的研究進(jìn)展已經(jīng)相當(dāng)成熟。ImageNet 大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC）的對象檢測已逐漸淡出人們的視線，因為只有企業(yè)（通常擁有優(yōu)質(zhì)豐富的數(shù)據(jù)集或財務(wù)資源）愿意在這一挑戰(zhàn)賽中爭取獲得好的名次。
但這不是一件壞事！事實(shí)上現(xiàn)在尤其是機(jī)器人研究者的好時機(jī)，因為研究社區(qū)已經(jīng)發(fā)展到了這樣一個節(jié)點(diǎn)：在研究人員可用的數(shù)據(jù)集之外盡可能地追求更高的性能，并且開始更加關(guān)注廣泛采用機(jī)器人工具和與這一過程相關(guān)的“便利功能”。
現(xiàn)在研究社區(qū)在使用各種各樣的新技術(shù)來更快地訓(xùn)練這些系統(tǒng)，并且在不影響準(zhǔn)確性的情況下使它們更快更有效。
作為一個對真實(shí)世界感興趣和經(jīng)常使用這些新技術(shù)的人，我發(fā)現(xiàn)我對尤其是在像智能手機(jī)和小型自動機(jī)器人等資源受限的系統(tǒng)上使用這些技術(shù)的研究特別感興趣，這些研究將會促使這些工具和功能得到更廣泛的應(yīng)用。
在網(wǎng)絡(luò)蒸餾方面，一些很棒的工作十分值得關(guān)注：在訓(xùn)練模型后使用優(yōu)化技術(shù)刪除對整體性能影響不大的神經(jīng)網(wǎng)絡(luò)部分，代價只不過是增加些計算量。
對于如何避免需要剪枝來初始化和訓(xùn)練小型神經(jīng)網(wǎng)絡(luò)，《The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks》一文提出了一些有趣的想法，盡管該成果尚未產(chǎn)生廣泛的實(shí)際影響。
同時，在下方這篇“超棒”的 GitHub 貼文提供了不同網(wǎng)絡(luò)剪枝方法的完整列表。
還有一些相關(guān)技術(shù)，是使用專用的硬件功能來進(jìn)一步加速網(wǎng)絡(luò)編譯?！禙astDepth:Fast Monocular Depth Estimation on Embedded Systems》一文就是在單目深度估計（monocular depth estimation）任務(wù)中結(jié)合使用這些技術(shù)的一個很好的例子。
新技術(shù)和新領(lǐng)域的進(jìn)展讓人振奮，但這些技術(shù)研究開始放緩，同樣值得關(guān)注。隨著許多研究領(lǐng)域已經(jīng)取得了初級的研究成果，研究本身變得越來越有趣，并且由于阻礙該領(lǐng)域進(jìn)展的真實(shí)挑戰(zhàn)也變得越來越明晰，會促使研究人員對該領(lǐng)域進(jìn)行更深層的研究。
對于機(jī)器人技術(shù)和機(jī)器學(xué)習(xí)的交叉領(lǐng)域的研究人員，我發(fā)現(xiàn)大多數(shù)人的觀點(diǎn)是：只有技術(shù)變得足夠強(qiáng)大時，人們才可能相信它們能為現(xiàn)實(shí)中硬件的決策提供依據(jù)。
我對圖神經(jīng)網(wǎng)絡(luò)的忠實(shí)擁護(hù)者。從《 Relational inductive biases, deep learning, and graph networks》一文發(fā)表以來，我一直在深入思考如何將GNN學(xué)習(xí)集成為我自身研究工作的學(xué)習(xí)后端。
總體思路很簡單：構(gòu)建一個圖，其中節(jié)點(diǎn)與各個實(shí)體（對象、空間區(qū)域、語義位置）相對應(yīng)，并根據(jù)它們相互影響力將它們進(jìn)行連接。簡而言之，我的想法是：在最容易定義的目標(biāo)問題上采用盡可能多的架構(gòu)，然后讓深度神經(jīng)網(wǎng)絡(luò)根據(jù)該結(jié)構(gòu)來學(xué)習(xí)實(shí)體之間的關(guān)系（這與我在上文中提到的表征學(xué)習(xí)概念類似）。
圖模型在 AI 中已使用了數(shù)十年，但是如何處理高維觀測值的問題卻是一大瓶頸，在一段時間內(nèi)，似乎只有手動設(shè)計特征能夠成功解決該問題。
但隨著 GNN 的出現(xiàn)，高維輸入不再是一大難題。去年我們看到了使用 GNN 完成對其他表征學(xué)習(xí)方法（如量子化學(xué)）極具挑戰(zhàn)的有趣目標(biāo)的工具，呈爆炸式的增長。
今年，隨著用于構(gòu)建和使用圖網(wǎng)絡(luò)的工具日趨成熟，研究人員開始將 GNN 用于解決他們自己的問題，在機(jī)器學(xué)習(xí)和機(jī)器人技術(shù)的交叉研究方向開展了一些有趣的工作。
使用 GNN 感興趣的讀者，可以訪問 DeepMind 提供的 Collaboratory Notebook ，上面有大量演示結(jié)果。
相關(guān)地址：https://colab.research.google.com/
同時，我對機(jī)器人良好導(dǎo)航?jīng)Q策能力（特別是當(dāng)它們僅獲取了周圍環(huán)境的不完整信息時）也十分感興趣，以及《Autonomous Exploration Under Uncertainty via Graph Convolutional Networks》和 NikoSünderhauf 發(fā)表的《Where are the Keys? 》等論文都非常引人深思，相關(guān)論文可以參考下文地址：
盡管我對深度學(xué)習(xí)和表征學(xué)習(xí)方法的前景感到十分興奮，但這些技術(shù)所產(chǎn)生的系統(tǒng)通常是難以理解的。由于這些系統(tǒng)逐漸面向人類，其難以理解的特點(diǎn)將成為一個問題。
幸運(yùn)的是，人們對可解釋的 AI 的關(guān)注度逐漸增加并取得了一些進(jìn)展，總體上正在朝著人類可能愿意相信和共存的 AI 方向努力。
最近引起我關(guān)注的可解釋 AI 領(lǐng)域中最有趣的論文之一，是杜克大學(xué) Cynthia Rudin 實(shí)驗室 Chenhaofan Chen 和 Oscar Li 所著的《This Looks Like That: Deep Learning for Interpretable Image Recognition 》。
文中作者通過識別當(dāng)前圖像的哪些區(qū)域與其他圖像中的相似區(qū)域相匹配，并匹配兩者之間的分類，建立了一個圖像分類管道。由于該分類方法專門提供了訓(xùn)練集中相似圖像和特征的直接對比，因此該分類方法比其他性能接近的技術(shù)更具可解釋性。
下圖來自論文，展示了系統(tǒng)如何對黏土色的麻雀圖像進(jìn)行分類：
圖2 《This Looks Like That: Deep Learning for Interpretable Image Recognition 》一文中圖像分類方法的示例。
今年 Cynthia Rudin 還發(fā)表了她的著作：《 Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead》。她在書中提出，我們應(yīng)該停止事后“解釋”黑盒模型做出的決策，而應(yīng)該構(gòu)建在構(gòu)造上可解釋的模型。
我不知道我是否一定認(rèn)同應(yīng)立即停止使用黑盒模型，但她在論文中提出了一些充分合理的觀點(diǎn)，對于當(dāng)前以開發(fā)黑盒模型為主流的 AI 領(lǐng)域至關(guān)重要。
過去一年中還有一些不錯的研究，例如由我的朋友和同事 Leilani H. Gilpin 和 Cecilia Testart 等人所著的《Explaining Explanations to Society》，致力于研究什么類型的模型解釋對社會最有用，以及我們?nèi)绾谓鉀Q現(xiàn)有深度學(xué)習(xí)系統(tǒng)輸出結(jié)果的局限性等相關(guān)問題。
簡而言之，2019年以來，我最大收獲之一是：研究人員尤其應(yīng)該意識到，我們開發(fā)模型和嘗試構(gòu)建系統(tǒng)時，應(yīng)該盡可能設(shè)計成可解釋性的。
不久前我撰寫了《Deepmind's Alphazero and the Real Word》一文，其中提到的一些應(yīng)用我非常感興趣，并希望研究社區(qū)中越來越多的人能優(yōu)先進(jìn)行可解釋系統(tǒng)設(shè)計。
如果數(shù)據(jù)不夠多樣化，則模擬是一種非常有用的工具，因為數(shù)據(jù)便宜且有效無限。
2018年出現(xiàn)了大量模擬工具，其中許多模擬工具通過模擬現(xiàn)實(shí)環(huán)境提供了許多逼真的圖像，目的是直接用于實(shí)現(xiàn)現(xiàn)實(shí)功能。
這些環(huán)境包括超大規(guī)模、多傳感器、逼真的室內(nèi)數(shù)據(jù)集 InteriorNet 和“ 由 1447 層組成的 572 棟完整建筑物，總面積 21.1 萬平方米”的 GibsonEnv 數(shù)據(jù)集。
今年，這一領(lǐng)域孩子持續(xù)發(fā)展，包括新交互式的 Gibson 環(huán)境和 Facebook （發(fā)布的令人）驚艷的 AI Habitat 環(huán)境。
圖3 這些圖像取材自Facebook關(guān)于AI Habitat真實(shí)模擬環(huán)境的技術(shù)報告，該技術(shù)報告于今年開源，圖像確實(shí)看起來令人難以置信。（相關(guān)閱讀參考：https://arxiv.org/pdf/1904.01201.pdf）
在現(xiàn)實(shí)世界中，出現(xiàn)了越來越多模擬工具技術(shù)并且能夠獲得良好的性能。在域隨機(jī)化中，模擬場景的元素（紋理，光照，顏色等）是隨機(jī)變化的，因此學(xué)習(xí)算法學(xué)著忽略那些通常無關(guān)的細(xì)節(jié)。誠然，我從未（完全）看好域隨機(jī)化的前景。
對于許多機(jī)器人應(yīng)用而言，特定的紋理和光照實(shí)際上可能對規(guī)劃十分重要，并且特定域技術(shù)可能更合適和隨機(jī)化，例如一些數(shù)據(jù)增強(qiáng)處理，可能會引入自身的一些問題。話雖如此，研究人員過去一年的努力（包括《Sim-to-Real via Sim-to-Sim》這篇論文在內(nèi)）和通過在各個子領(lǐng)域中廣泛使用這些技術(shù)來提高性能，讓我開始相信這些技術(shù)的實(shí)用性。
OpenAI 還將域隨機(jī)化應(yīng)用到視覺外觀和物理學(xué)上，來讓 AI 學(xué)習(xí)操作魔方，證明了機(jī)器人的手可比我們?nèi)祟愐`活得多。
對此，2019年 RSS大會上的一篇論文《Workshop on Closing the Reality Gap in Sim2real Transfer for Robotic Manipulation》。值得一讀，閱讀地址如下：
去年，除了隨機(jī)化，致力于研究在各個領(lǐng)域間遷移知識的域適應(yīng)性算法也取得了一些進(jìn)展。我對諸如《 Closing the Sim-to-Real Loop: Adapting Simulation Randomization with Real World Experience》等工作特別感興趣，文中用一些現(xiàn)實(shí)世界的推理使 RL 智能體從模擬中調(diào)整它的經(jīng)驗。
如果不圍繞“ 痛苦的教訓(xùn) ”進(jìn)行一番討論，那對 2019 年 AI 的討論將是不完整的。
在 AI 界備受推崇、遠(yuǎn)近聞名的研究者 Rich Sutton 在網(wǎng)站上發(fā)了一篇博文探討了，在 AI 的歷史發(fā)展進(jìn)程和他的職業(yè)生涯中，這些由人類手工設(shè)計的基于模型的方法如何反復(fù)被不基于模型的方法取代，如深度學(xué)習(xí)。
他列舉了用于對象檢測的“SIFT”特征算法作為一個例子，雖然“SIFT”特征算法已經(jīng)流行了20年，但是深度學(xué)習(xí)卻能非常輕易地得到該算法所實(shí)現(xiàn)的所有結(jié)果。
他繼續(xù)說道：
這是一個重要的教訓(xùn)。在 AI 這個領(lǐng)域，由于我們正繼續(xù)犯同樣的錯誤，我們?nèi)晕赐耆私馑?span style="font-size: 14px; color: #3F3F3F;">為了看到并有效規(guī)避這些錯誤，我們必須理解這些錯誤背后的誘因。我們必須吸取痛苦的教訓(xùn)：從長遠(yuǎn)來看，我們必須吸取沉重的教訓(xùn)，即建立在我們的想法之上的思考方式是行不通的。
慘痛的教訓(xùn)是基于歷史觀察得出的：1）人工智能研究人員經(jīng)常試圖將知識構(gòu)建到智能體中； 2）這在短期內(nèi)是有幫助的，并且使研究人員滿意，但是 3）從長遠(yuǎn)來看，這會使研究停滯不前甚至阻礙了進(jìn)一步發(fā)展，并且4）然而最終的突破性進(jìn)展，往往是得益于完全相反的方法即基于通過搜索和學(xué)習(xí)進(jìn)行縮放計算的方法而實(shí)現(xiàn)的。由于算法的成功基于個人喜好和以人為中心，所以最終的成果往往充滿了苦澀并且通常無法為人們所完全接受。
從慘痛的教訓(xùn)中應(yīng)該學(xué)到的一件事是：通用方法（如搜索和學(xué)習(xí)兩種方法）十分強(qiáng)大，即使可用的計算變得很大，這些方法也會隨著計算量的增加而不斷擴(kuò)展。
他的觀點(diǎn)引發(fā)了 AI 研究界的廣泛爭論，以及 Rodney Brooks 和 Max Welling 等人令人難以置信的反駁，相關(guān)閱讀參考下文：
相關(guān)文章地址：https://rodneybrooks.com/a-better-lesson/
https://staff.fnwi.uva.nl/m.welling/wp-content/uploads/Model-versus-Data-AI-1.pdf
我的看法呢？我們的學(xué)習(xí)算法中總是存在一些先驗假設(shè)，而我們對數(shù)據(jù)和學(xué)習(xí)特征如何轉(zhuǎn)化為泛化能力，只是略懂皮毛。
這是我對表征學(xué)習(xí)和深度學(xué)習(xí)與經(jīng)典規(guī)劃技術(shù)的交叉研究感到如此興奮的原因之一。只有通過代碼清晰表達(dá)如何編碼智能體重復(fù)使用知識的能力，AI系統(tǒng)才有希望在復(fù)雜的多序列計劃任務(wù)上獲得可信賴的泛化。我們應(yīng)該期望 AI 能夠展示像人類一樣的組合泛化能力，可以實(shí)現(xiàn)無需指數(shù)級增長數(shù)據(jù)集的有效泛化。
盡管在 2019年，AI 領(lǐng)域取得的進(jìn)展很多，但未來幾年仍將會有許多成熟領(lǐng)域增長。我希望看到AI 技術(shù)在更多“ 部分可觀察區(qū)域”得到應(yīng)用，這要求智能體對它的環(huán)境有著深刻理解從而能夠?qū)ξ磥磉M(jìn)行預(yù)測，這也是我正在積極努力研究的事情。
我還樂于看到所謂的終身 AI ，即系統(tǒng)在花更多時間與周圍環(huán)境交互時能夠持續(xù)學(xué)習(xí)并成長的 AI 能夠取得更多進(jìn)展。
目前，許多與現(xiàn)實(shí)世界交互的系統(tǒng)都很難以優(yōu)雅的方式處理噪聲，并且隨著傳感器數(shù)據(jù)的增加，除了最簡單的應(yīng)用之外，這些處理噪聲的方法在大多數(shù)學(xué)習(xí)模型上都會失效。
作者注：這篇文章毫無疑問只是我通過個別樣本得出的該領(lǐng)域進(jìn)展，不可能有效全面地涵蓋所有內(nèi)容。正如 Jeff Dean 在《Deep_Learning_for_Solving_Important_Problems》一文中所指出的，每天大約有 100 篇機(jī)器學(xué)習(xí)論文發(fā)表在 Machine Learning ArXiv 上。
與此同時，這些研究從哪些方面推動了該領(lǐng)域的進(jìn)展，我的看法也可能與大家有所不同。
文中相關(guān)參考文獻(xiàn)，可閱讀原文：
http://www.cachestocaches.com/2019/12/my-state-of-the-field/ 雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
