Reddit 网友票选 2018 最佳论文（附阅读技巧）
by 超神经
读论文这件事，对深入了解细分领域的技术和难题来说，重要性毋庸置疑。
2018 年也出现了很多优质的论文，比如各大顶级学术会议上的获奖论文，我们今天盘点的是 Reddit 网友心中那些 2018 帮助过他们的论文。
Reddit 网友：这篇论文我投一票
@beezlebub33 推荐论文：
《Large-Scale Study of Curiosity-Driven Learning》
大规模的好奇驱动学习研究
https://pathak22.github.io/large-scale-curiosity/
推荐理由：
这篇文章的重要性体现在，它无需好的奖励机制，就在很多游戏中实现了优异的性能。重要的是它学会了通过预测去玩游戏，能辨别违反期望的行为，能够去探索未知的领域。这可能是 AI 以后发展的方向：自我监督、无标签数据、会预测、好奇心、具有内动力等等。
人们还没有足够的时间去创造出有监督训练集，并且给这些数据集定义矩阵。但如果，给 AI 提供原始数据，并且它可以学习该系统的时空演变的内部表示，那么您可以通过定义目标，最终用 AI 将它实现。
@YBuzzinGA 推荐论文：
《Learning Unsupervised Learning Rules》
学习无监督学习法则
https://arxiv.org/abs/1804.00222.
推荐理由：
这篇文章是关于使用无监督学习来完成一些任务，它的特点在于，模型正在学习如何自己学习。
元学习是一个关键领域，学习那些学习规则会让 AI 去理解自己，并且去改善自己。如果你可以教一台计算机如何学习了解自己，那么我们就有可能实现飞跃。
@breadwithlice 推荐论文：
《Phrase-Based & Neural Unsupervised
Machine Translation》
基于短语和无监督神经机器翻译
https://arxiv.org/abs/1810.04805v1
推荐理由：
这篇文章里，仅使用单语料库，就能将完成翻译，而且不需要任何映射，字典或并行数据。
论文里使用了一种反向翻译技术，从A转换为B时，然后将B转换为A，这么做大大改善翻译器，然后切换A和B，这个结果令人惊喜！
@kartayyar 推荐论文：
《Pre-training of Deep Bidirectional Transformers
for Language Understanding 》
语言理解中深层双向法的预训练
https://arxiv.org/abs/1809.10756
推荐理由：
我喜欢它的地方：
很棒的创新理念，他们使用的遮蔽方法是非常有创意的。
他们用很简单的语句就说清楚了他们的核心理念。
在Github上有代码可重现的结果。
能够处理了多项不同的任务。
@ndha1995 推荐论文：
《An Introduction to Probabilistic Programming》
概率规划导论
https://arxiv.org/abs/1809.10756
推荐理由：
这是我在2018年最喜欢的论文。
作者对概率规划进行了全面而严谨的介绍，并在最后一章中，介绍了最近关于深度神经网络，和概率规划相结合的研究 。
读论文的硬核建议
就算知道了厉害的论文，除了喊着哇，真厉害，那怎么样才能看懂它们呢？
首先还是想清楚你的动机，主动地想要探索和被动的完成任务，效果和体验就会完全不同了。我们找到了一些硬核建议，嗯，就帮你们到这了。
批判性地阅读
这是一个很重要的态度。不要盲从作者的观点。相反，要去怀疑和求证。
什么是批判性阅读？尝试着去提出问题。如果作者试图解决某个问题，他们是否正确的解决了？有没有作者没有考虑到简单方案？解决方案有哪些局限性（包括作者没注意到或明确承认的）？
作者的假设是否合理？鉴于假设，论文的逻辑是否明确合理，或者推理中是否存在缺陷？
如果作者提供数据，他们的数据能不能来证实他们的论点，他们是收集数据的路径是否合理？那他们解释数据的方式呢？换用其他数据会更好吗？
创造性地阅读
批判性地阅读一篇论文难度系数不是最高，因为毁坏比构建更容易。而创造性的阅读就涉及更难，更积极的思考。
比如：本文有哪些很好的想法？这些想法是否有其他应用程序或扩展？它们能被进一步推广吗？是否存在会带来重大差异的改进？如果自己进行相关的探究，接下来会做些什么呢？
在阅读论文时做笔记
许多人都在读论文时记录笔记。这个方法是很不错的，用你喜欢的方式，把想到的任何问题或批注，统统记录下来。试着去找到作者的关键点。
大受好评的康奈尔笔记法
标记那些最重要或看似有问题的数据。这样的标记有助于理解论文，同时还也有助于之后的回顾。
在第一次阅读之后，
尝试用一两句话来总结论文
几乎所有优秀的论文都在提出一个具体问题的答案。如果你能简洁地描述一篇论文，你可能已经弄懂了到了作者的工作，包括他们想要解决的问题和最终的答案。一旦您专注于主要想法，再回过头去概述论文，就能更深入的了解具体细节。
实际上，如果用一两句话总结论文很容易，那么可以来尝试另一种方法，列出三个或四个要点大纲来总结主要思想。
如果可能，
将论文与其他作品进行比较
总结论文是尝试确定论文科学贡献的一种方法。但要真正掌握科学价值，你必须将论文与该领域的其他作品进行比较。去弄清楚这些想法是新颖的，还是以前出现过？
值得一提的是，科学研究呈现的方式有多种。比如一些论文只提出新的想法，而其他人去实施验证，并展示其工作方式；还有一些人将之前想法结合在一起，并在一个新颖的框架下整合起来。了解该领域的其他工作可以帮助你更好的了解论文的价值。
超神经小百科
无监督学习 Unsupervised learning
机器学习可以分为监督式学习、无监督式学习和半监督式学习。
无监督学习是不为训练集提供对应类别标识的学习方法。适用于有数据集但无标签的情况。
无监督学习中使用的数据是没有标记过的，而训练中也不知道输入数据对应的输出结果是什么。没有受到监督式增强 (告诉它何种学习是正确的)。
无监督学习只能默默的读取数据，自己寻找数据的模型和规律，比如聚类（把相似数据归为一组）和异常检测（寻找异常）。
无监督式学习的目的是去对原始资料进行分类，以便了解资料内部结构。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后，也可以将之应用到新的案例上。
历史文章（点击图片阅读）
协助你写 Python，只是 AI 取代程序员的第一步
回顾 2018 ：最 6 的 6 个机器学习开源项目
今年两百多场计算机学术会议，你 Pick 谁？
AI 百科
教程
数据集
商店
更多
http://hyper.ai