2019年人工智能领域最受推崇的论文精选

尽管2019年已经过去，但那一年人工智能领域的诸多重要进展至今仍具有深远的影响。从黑洞照片的发布到量子霸权的实现，再到清华天机芯的问世，以及ZAO App的AI换脸功能，这些事件不仅改变了人们对AI的认知，还引发了广泛的思考。与此同时，许多优秀的学术论文不断涌现，为我们在人工智能的不同领域提供了宝贵的知识和技术更新。

在Reddit上，网友们分享了他们最喜爱的2019年论文，今天我们挑选其中几篇，希望能为读者提供一些对未来AI发展方向和技术趋势的启示。

实际研究

《利用欠平滑HAL有效估计路径可微参数》

在这篇论文中，作者提出了一种通过欠平滑条件下的Spline-HAL-MLE方法来有效估计功能参数平滑特征的渐近有效估计量。该方法结合了targeted HAL-MLE作为元学习步骤，可以有效地将superlearning、undersmoothed HAL-MLE以及TMLE结合起来，从而实现更好的估计效果。

计算机视觉

《BA-Net：密集捆绑调整网络》

这篇论文介绍了一种神经网络，通过特征束调整（BA）来解决结构从运动（SfM）问题。此外，该研究还引入了一种新颖的深度参数化方法，用于恢复密集的每像素深度。这种方法将领域知识与机器学习相结合，从而解决了复杂的SfM问题。大规模实验显示，该方法比传统的BA方法和现有的深度学习方法更为优越。

计算机视觉

《MoCo：无监督视觉表示学习方法》

这篇由著名研究者何恺明等人撰写的论文，提出了一个在多种无监督计算机视觉任务中表现出色的方法。MoCo方法在从IN-1M到IG-1B的数据集上的改进非常明显，但仍有提升空间。此外，MoCo还可以应用于masked auto-encoding等自监督任务，无论是在语言还是视觉方面。

无监督学习

《通过隐藏单元对抗进行无监督学习》

在这篇论文中，作者提出了一种全新的学习算法，该算法通过隐藏层中的全局抑制机制，可以在完全无监督的情况下学习早期特征检测器。这些低层特征检测器可以通过监督方式训练高层权重，从而使整个网络的功能与标准前馈网络相当。这种算法简单且高效，通过反向传播算法即可完成训练。

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》

作者在这篇论文中提出并验证了一种用于单变量时间序列预测的新型架构。该架构具有广泛的应用范围和灵活性，在各种时间序列预测任务中均表现出色。实验表明，深度学习模型可以通过多任务学习的方式，在多个时间序列上进行训练，并且支持独立的学习任务。研究人员认为，N-BEATS的出色表现部分得益于其采用了元学习的方式，未来将在这一领域进行更深入的研究。

希望这些精选论文能为读者提供对未来人工智能发展的新见解和启发。