【导读】回顾2019年，人工智能领域发生了许多重要的事件，这些事件的影响至今仍然深远。这一年，一些优秀的论文也相继问世，为我们提供了宝贵的知识和技术参考。我们整理了Reddit上的网友推荐，选出了一些最受欢迎的2019年论文，希望这些论文能为2020年人工智能的发展方向和前沿技术提供启示。

尽管2019年已经过去，但回顾这一年，人工智能领域的重大进展依然具有深远的意义。

从黑洞照片的公布到量子霸权的实现，从清华大学的“天机芯”到ZAO App的AI换脸技术，从中国首例人脸识别诉讼案到利用AI合成语音的诈骗案件……这些事件引发了广泛的思考。与此同时，优秀的论文不断涌现，使我们能够深入了解并掌握AI领域的最新进展。

我们整理了Reddit上网友推荐的2019年度热门论文，希望能为大家提供有价值的参考。以下是几篇备受推崇的论文：

实际研究

《借助欠平滑HAL，有效估计路径可微参数》

论文链接：https://arxiv.org/pdf/1908.05607.pdf

在这篇文章中，作者指出，在某些全局欠平滑条件下，通过Spline-HAL-MLE可以获得有效的估计量。文章还探讨了如何将superlearning、undersmoothed HAL-MLE以及TMLE结合应用，以提升估计效果。

计算机视觉

《BA-Net：密集捆绑调整网络》

论文链接：http://dwz.win/wmQ

这篇文章介绍了一种基于特征束调整（BA）的神经网络，旨在解决运动结构（SfM）问题。文中提出了一种创新的深度参数化方法，用于恢复密集的每像素深度。这种方法结合了先验知识和机器学习技术，取得了显著的成果。

计算机视觉

《MoCo：无监督视觉表示学习方法》

论文链接：https://arxiv.org/pdf/1911.05722.pdf

该论文由著名研究者何恺明撰写。MoCo方法在无监督计算机视觉任务中表现出色，尤其在大规模数据集上的性能提升尤为显著。除了实例区分任务外，该方法还可应用于其他自监督任务。

无监督学习

《通过隐藏单元对抗进行无监督学习》

论文链接：http://dwz.win/wuJ

文中提出了一种全新的学习算法，该算法利用隐藏层中的全局抑制机制，以完全无监督的方式学习低层特征检测器。这些低层特征检测器可以通过监督学习进一步优化，从而提升整个网络的表现。

实际研究

《N-BEATS：可用于可解释时间序列预测的神经基础扩展分析》

论文链接：https://arxiv.org/pdf/1905.10437.pdf

作者提出了一种新型的时间序列预测架构，并在多项实验中展示了其优越性能。该架构灵活且通用，在多种时间序列预测任务中均表现出色。研究人员推测，这种架构的成功可能与其采用的元学习方法有关，未来的研究将进一步探讨这一方向。

以上就是Reddit上网友推荐的2019年精选论文，欢迎大家查阅原文了解更多详细内容。

此外，为了帮助大家更好地理解和应用这些技术，我们特别推出了一系列关于人工智能数学基础的公开课。通过这些课程，我们可以从实际问题出发，逐步揭示其中蕴含的数学原理，并构建相应的数学模型和方法。这些课程既有趣又实用，欢迎加入我们的学习群，获取更多学习资源和技术书籍。1月16日晚8点，哈工大的屈教授将带来一场题为“看得见的数学”的在线直播课程，带您深入了解计算机视觉背后的数学知识。