arXiv 精选：一文看尽六月最热五篇论文
By 超神經
場景描述：始建于 1991 年的 arXiv.org 至今已收錄超過 100 萬篇論文預印本，近年來，其每月提交量已經超過 1 萬篇。這里成為一個巨大的學習寶庫。本文羅列了 arXiv.org 上最近一個月人工智能方向的最熱論文，供大家學習參考。
關鍵詞：arXiv? 最佳論文
作為一個研究人員專用「占坑」系統，arXiv.ordg 收錄了物理、數學、計算機科學等各個領域的大量研究論文，來自世界各地的研究人員都為 arXiv 做出貢獻。
自 2016 年以來，其每月提交量已經超過 1 萬篇。巨量的論文組成了一個真正的學習方法寶庫，你可以用它來解決數據科學問題。但這繁多的資源也增加了篩選的難度。
大量的論文不免讓讀者感到眼花
為此，我們將 arXiv.org 上的一些最新的研究論文篩選了出來，這些論文都是關于人工智能，機器學習和深度學習領域中非常吸引人的科目，包括統計學，數學和計算機科學等，然后我們整理出了六月最熱論文列表。
我們希望通過挑選能作為數據科學家典型代表的文章來幫大家節省一些時間。下面列出的文章代表 arXiv 上出現的所有文章中的一小部分。排名不分先后，每個論文附有鏈接以及簡要概述。
由于這些都是學術研究論文，通常面向研究生，博士后和經驗豐富的專業人士。其中通常包含高等數學，因此大家要做好準備。接下來，就請享用吧！
《Monte Carlo Gradient Estimation in Machine Learning》
機器學習中的 Monte Carlo 梯度估計
論文鏈接：https://arxiv.org/pdf/1906.10652.pdf
推薦等級：★★★★★
本文是對我們在機器學習和統計科學中，蒙特卡羅梯度估計所使用的方法的廣泛和可訪問的調查：計算函數期望的梯度與定義分布的參數問題的整合，以及敏感性分析的問題。
在機器學習研究中，這種梯度問題是許多學習問題的核心（包括監督，無監督和強化學習）。谷歌研究人員通常尋求以一種允許蒙特卡羅估計的形式重寫這種梯度，使它們能夠方便、有效地被使用和分析。
隨機優化回路包括仿真階段和優化階段
《An Introduction to Variational Autoencoders》
變分自編碼器簡介
論文鏈接：https://arxiv.org/pdf/1906.02691v1.pdf
推薦等級：★★★★★
變分自編碼器為學習深層潛在變量模型和相應的推理模型提供了原理框架。本文介紹了變分自編碼器和一些重要的擴展。
VAE學習觀測到的x空間之間的隨機映射
《Generative Adversarial Networks: A Survey and Taxonomy》
生成性對抗網絡：調查與分類
論文鏈接：https://arxiv.org/pdf/1906.01529v1.pdf
推薦等級：★★★★★
在過去的幾年中，有大量關于生成對抗網絡（GAN）的研究。這其中最具革命性的技術，出現在計算機視覺領域，比如圖像生成，圖像到圖像的轉換，面部特征變化等領域。
盡管 GAN 的研究取得了一些突破，但在用于實際問題時會面臨 3 個主要挑戰：（1）高質量圖像生成; （2）多樣化的圖像生成; （3）穩定性訓練。
作者提出了一種方式，用于對大多數流行的 GAN 進行分類，分別是架構變體（architecture-variants）和損失變體（loss-variants），然后從這兩個角度來處理三個挑戰。
在本文中，回顧和探討了 7 個架構變體 GANs 和 9 個損失變體 GANs，論文的目的，在于提供對當前 GAN 性能提升研究的深刻分析。
GAN 的架構。在學習過程中同步訓練兩個深度神經網絡識別器D和發生器G
《Learning Causal State Representations of Partially Observable Environments》
學習部分可觀測環境的因果狀態表示
論文鏈接：https://arxiv.org/pdf/1906.10437.pdf
推薦等級：★★★★
智能 agent 可以用過學習與狀態無關的抽象，來應對情況復雜多變的環境。在這篇文章中，提出了近似因果狀態的機制，在可觀察的馬爾可夫決策過程中，最優地推動行動和觀察的聯合。所提出的算法從 RNN 中提取因果狀態表示，該 RNN 被訓練以預測歷史的后續觀察。作者證明，通過對不可知的狀態抽象的學習，可有效地學習強化學習問題的策略規劃。
功能神經過程(FNP)模型
《The Functional Neural Process》
函數神經過程
論文鏈接：https://arxiv.org/pdf/1906.08324.pdf
推薦等級：★★★★
本文提出了一個可交換的隨機過程，稱為函數神經過程（FNPs）。FNP 模型在給定的數據集上訓練，通過潛在表示上的依賴關系圖，來進行函數的模擬分布。
在這樣做時，通常的方式只定義了貝葉斯模型，而忽略了在全局參數上設置先驗分布; 為了對此進行改進，本文對數據集的關系結構給出先驗，將這個任務進行簡單化。
作者展示了如何從數據中學習這些模型，通過小批量優化測試，證明它們可以擴展到大型數據集，并描述了如何通過后驗預測分布對新點進行預測。
為了驗證 FNPs 的性能，在 toy regression 和圖像分類上做了測試，結果證明，和基準線的那些參數相比，FNPs 能夠提供更好的競爭預測，以及更穩健的不確定性估計。
生成節點的圖形模型測試結果隨機過程
作者的微信群
掃描二維碼，加入討論群
獲得優質數據集
回復「進群」自動入群
本站簡介↓↓↓?
“機器學習初學者”是幫助人工智能愛好者入門的個人公眾號（創始人：黃海廣）
初學者入門的道路上，最需要的是“雪中送炭”，而不是“錦上添花”。
本站的知識星球（黃博的機器學習圈子）ID：92416895
目前在機器學習方向的知識星球排名第一（上圖二維碼）
往期精彩回顧
良心推薦：機器學習入門資料匯總及學習建議（2018版）
黃海廣博士的github鏡像下載（機器學習及深度學習資源）
吳恩達老師的機器學習和深度學習課程筆記打印版
機器學習小抄-（像背托福單詞一樣理解機器學習）
首發：深度學習入門寶典-《python深度學習》原文代碼中文注釋版及電子書
機器學習的數學基礎
機器學習必備寶典-《統計學習方法》的python代碼實現、電子書及課件
吐血推薦收藏的學位論文排版教程（完整版）
Python代碼寫得丑怎么辦？推薦幾個神器拯救你
重磅 | 完備的 AI 學習路線，最詳細的資源整理！
備注：本站qq群：865189078（共8個群，不用重復加）。
加入本站微信群，請加黃博的助理微信，說明：公眾號用戶加群。
總結
以上是生活随笔為你收集整理的arXiv 精选：一文看尽六月最热五篇论文的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 推荐TensorFlow2.0的样例代码
- 下一篇： 专访 | 周涛：从窄门进最终走出宽路来