Press "Enter" to skip to content

2018 AI领域研究热点总结:BERT最热,GANs最活跃

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

作者 | Ross Taylor  译者 | linstancy  整理 | Jane

 

【导读】本文的作者 Ross Taylor 和 Robert Stojnic 在今年一起启动了一个名为“Paper with Code”的项目,将 AI 领域的一些研究论文和论文开源代码结合展示,方便大家学习与研究。在推进这个项目的同时,通过分析网站的数据他们也有一些意外和有趣的收获,用更综合、全面的视野总结了下半年的发展现状与热点,哪些正在成为流行趋势、哪些被广泛使用。

 

在这篇文章中,作者为大家总结了 2018 年下半年机器学习领域被密切关注的成果,快来看看,这些你是不是都知道呢?

 

最流行的模型

 

,

 

10月,Google AI 团队提出了一种深度双向 Transformer (BERT),并发表了相关的论文。该模型在 11 个NLP 任务上取得了目前为止最佳的性能,Stanford Question Answering (SQuAD) 数据集也引起了学术界的强烈关注。随后,Google AI 进一步开源了项目代码,并在当月获得了最多 Stars 数量,可见其热门程度。

 

论文链接:https://arxiv.org/abs/1810.04805

 

GitHub 链接: https://github.com/google-research/bert

 

Nvidia 的 video-to-video synthesis 研究同样是下半年一大热点。该研究提出了一种新颖的生成模型 (GAN) 并在视频合成任务中取得惊人的效果。众所周知,GAN 是过去几年里最受欢迎的深度学习模型之一,该研究团队利用一种新颖的顺序生成器架构,以及一些前景和背景先验 (foreground-and-background priors) 等设计特征,解决了当前视频合成研究中时间不连贯的问题,进而提高了最终的性能。同样地,该项目代码也被 Nvidia 团队开源,并成为今年下半年第二大最受欢迎的项目。

 

论文链接:https://arxiv.org/abs/1808.06601

 

GitHub 链接:https://github.com/NVIDIA/vid2vid

 

 

同样值得关注的是,Google DeepMind 团队关于图网络 (graph_nets) 的最新研究。该研究得到广泛关注的原因是,因为它为解决结构化数据提供了一种新的方向。该开源项目是 2018 下半年排名第三位的受欢迎项目。

 

论文链接:https://arxiv.org/abs/1806.01261v3

 

GitHub 链接:https://github.com/deepmind/graph_nets

 

 

最受欢迎的项目

 

DeOldify、BERT 和 Fast R-CNNs

 

下面来介绍下半年最受欢迎的三个开源项目。

 

首先是 DeOldify。这是一项使用生成对抗网络 (GAN) 来修复黑白旧照片并为其重新上色的研究,在深度学习领域引发了极大的兴趣和关注。该项目的作者是 Jason Antic,他借鉴了几种 GAN 模型的实现,包括 self-attention GANs (SA-GANs)、progressively growing GANs (PG-GANs),来构建自己的模型,并采用两种时间跨度的原则,最终得到了有意思的结果。

 

GitHub 链接:
https://github.com/jantic/DeOldify

 

 

其次是 BERT 的 pytorch 实现,作者是 Junseong Kim。该项目的代码基于 The Annotated Transformer,代码风格简单易懂。

 

GitHub 链接:
https://github.com/codertimo/BERT-pytorch

 

最后一个项目是 Mask R-CNN 的 Keras/TensorFlow 实现,作者 Waleed Abdulla,这是今年下半年第三个热门 GitHub 。在结构上,Mask R-CNN 基于特征金字塔网络 (FPN) 和 ResNet101 为模型骨干,它可用于许多诸如 3D 建筑物重建,自动驾驶中的目标检测,检测地图中的建筑物类型等应用。

 

GitHub 链接:
https://github.com/matterport/Mask_RCNN

 

 

最活跃的领域

 

NLP 和 GANs

 

通过查看 GitHub 上 Top50 的开源实现,我们会发现当前最热门、最活跃的研究领域是自然语言处理 (NLP) 和生成对抗模型 (GANs)。在 GitHub 上,GANs 领域最受欢迎的开源项目有 vid2vid,DeOldify,CycleGAN 以及 faceswaps,而最热门的 NLP 开源项目包括 BERT,HanLP,jieba,AllenNLP 以及 fastText。

 

 

每7篇新论文中,只有一篇论文附有代码实现

 

希望研究者在发表论文的同时可以开源自己的代码实现。在过去 5 年的时间里,我们处理了60000 多篇机器学习领域的论文,在这些论文中,只有 12% 的论文开源了它们的代码,而过去 6 个月新发表的论文中,大约只有 15% (即每7篇新论文中只有1篇)附有代码实现。这些数字都告诉我们还有更多的工作要做,但是一切也正朝着正确的方向发展!

 

每 20 分钟就会出现一篇机器学习论文

 

从 7 月到现在,机器学习领域论文发表数量的增长率一直维持在每月 3.5% 左右,每年的增长率达到了 50%。这意味着,每月大约有 2200 篇新论文发表,按照这个趋势,预计明年将有近  30000 篇新论文发表。

 

为了更好描述这是怎样的一个趋势,我们绘制了曲线图与摩尔定律的趋势图进行比较。

 

 

最热门的两大深度学习框架

 

Tensorflow 和 PyTorch

 

以往每年大部分论文的代码都是基于 Tensorflow 框架实现的,但是,今年 PyTorch 的火热程度无法让人忽视,PyTorch 社区的活跃度非常高。其他的框架,诸如 MXNet,Torch 和 Caffe2 在整个深度学习社区的活跃度和使用率相对就有些低了。 Tensorflow 和 PyTorch 这两大框架都发生了很大的变化,TensorFlow 正朝着 eager execution 的方向发展,并集成了新的 Keras API,而 PyTorch 的改进旨在使用者能够更轻松地构建自己的深度学习模型。

 

 

展望

 

整个领域都开始强调论文的可复现性,虽然目前的数字显示,并不是都能做到,甚至我们还有一段路要走,但也正是如此,帮助大家明确了今后的工作的要求与方向。也希望出了研究人员外,有更多的人加入到开源社区中来。

 

此外,除了 Google 和 Facebook 这样的大型巨头公司外,独立的 ML 社区 (indie ML community) 也将有助于推动论文复现、代码开源等工作。如果,研究团队和开发社区能更加紧密的联系与合作,相信会产生更多有助于实际应用的机器学习工具,进而让整个领域更加发挥更大的潜力,全速前进。

 

原文链接:

 

https://medium.com/atlas-ml/state-of-deep-learning-h2-2018-review-cc3e490f1679

 

(* 本文为AI科技大本营翻译稿件,转载请联系微信1092722531

 

公开课预告

 

 

文字识别

 

 

OCR(文字识别)技术是目前常用的一种AI能力。但一般OCR的识别结果是一种按行输出的半结构化输出。本课程从百度自定义模板文字识别展开,从理论到案例,详细介绍OCR结构化的相关技术,并理清OCR和结构化之间的关系和适用场景。

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注