ml surveys

ml-surveys

เป็นการยากที่จะติดตามการเรียนรู้ล่าสุดและยิ่งใหญ่ที่สุดในการเรียนรู้ของเครื่อง นี่คือการเลือก เอกสารสำรวจสรุปความก้าวหน้าในสนาม

การหาวิธีใช้โครงการ ML ของคุณ? เรียนรู้ว่าองค์กรอื่น ๆ applied-ml อย่างไร

สารบัญ

• คำแนะนำ
• การเรียนรู้อย่างลึกซึ้ง
• การประมวลผลภาษาธรรมชาติ
• วิสัยทัศน์คอมพิวเตอร์
• วิสัยทัศน์และภาษา
• การเรียนรู้เสริมแรง
• กราฟ
• การฝัง
• Meta-Learning และการเรียนรู้ไม่กี่ครั้ง
• คนอื่น

คำแนะนำ

• อัลกอริทึม: การสำรวจระบบแนะนำ (2013)
• อัลกอริทึม: ระบบผู้แนะนำที่ใช้การเรียนรู้อย่างลึกซึ้ง: การสำรวจและมุมมองใหม่ (2019)
• อัลกอริทึม: เรากำลังคืบหน้าจริงๆหรือไม่? การวิเคราะห์วิธีการแนะนำระบบประสาท (2019)
• Serendipity: การสำรวจ Serendipity ในระบบผู้แนะนำ (2016)
• ความหลากหลาย: ความหลากหลายในระบบผู้แนะนำ - การสำรวจ (2017)
• คำอธิบาย: การสำรวจคำอธิบายในระบบแนะนำ (2007)

การเรียนรู้อย่างลึกซึ้ง

• สถาปัตยกรรม: การสำรวจที่ทันสมัยเกี่ยวกับทฤษฎีการเรียนรู้ลึกและสถาปัตยกรรม (2019)
• การกลั่นความรู้: การกลั่นความรู้: การสำรวจ (2021)
• การบีบอัดแบบจำลอง: การบีบอัดแบบจำลองการเรียนรู้ลึกสำหรับข้อความ: การสำรวจ (2020)
• การถ่ายโอนการเรียนรู้: การสำรวจการเรียนรู้การถ่ายโอนอย่างลึก (2018)
• การค้นหาสถาปัตยกรรมประสาท: การสำรวจที่ครอบคลุมของการค้นหาสถาปัตยกรรมประสาท (2021)
• การค้นหาสถาปัตยกรรมประสาท: การค้นหาสถาปัตยกรรมประสาท: การสำรวจ (2019)

การประมวลผลภาษาธรรมชาติ

• การเรียนรู้อย่างลึกซึ้ง: แนวโน้มล่าสุดในการประมวลผลภาษาธรรมชาติที่เรียนรู้อย่างลึกซึ้ง (2018)
• การจำแนกประเภท: การจำแนกข้อความตามการเรียนรู้ลึก: การตรวจสอบที่ครอบคลุม (2021)
• Generation: การสำรวจ SOTA ในการสร้างภาษาธรรมชาติ: งานหลักแอปพลิเคชันและการประเมินผล (2018)
• การสร้าง: การสร้างภาษาประสาท: สูตรวิธีการและการประเมินผล (2020)
• การถ่ายโอนการเรียนรู้: การสำรวจการถ่ายโอนการเรียนรู้ด้วย T5: Transformer Transfer Transfer Transfer (2020)
• Transformers: Transformers ที่มีประสิทธิภาพ: การสำรวจ (2020)
• ตัวชี้วัด: นอกเหนือจากความแม่นยำ: การทดสอบพฤติกรรมของโมเดล NLP พร้อมรายการตรวจสอบ (2020)
• ตัวชี้วัด: การประเมินการสร้างข้อความ: การสำรวจ (2020)

วิสัยทัศน์คอมพิวเตอร์

• การตรวจจับวัตถุ: การตรวจจับวัตถุใน 20 ปี (2019)
• การโจมตีของฝ่ายตรงข้าม: การคุกคามของการโจมตีที่เป็นปฏิปักษ์ต่อการเรียนรู้อย่างลึกซึ้งในวิสัยทัศน์คอมพิวเตอร์ (2018)
• ยานพาหนะอัตโนมัติ: การมองเห็นคอมพิวเตอร์สำหรับยานพาหนะอัตโนมัติ: ปัญหาชุดข้อมูลและ SOTA (2021)
• คำบรรยายภาพ: การสำรวจที่ครอบคลุมเกี่ยวกับการเรียนรู้อย่างลึกซึ้งสำหรับคำบรรยายภาพ (2018)
• การแบ่งส่วนอินสแตนซ์: การสำรวจในการแบ่งส่วนอินสแตนซ์: สถานะของศิลปะ
• Vision Transformer: การสำรวจเกี่ยวกับ Vision Transformer
• สถาปัตยกรรม: ทบทวนการเรียนรู้ลึก: แนวคิด, สถาปัตยกรรม CNN, ความท้าทาย, แอปพลิเคชัน, ทิศทางในอนาคต
• Transformers: Transformers In Vision: การสำรวจ

วิสัยทัศน์และภาษา

• แนวโน้ม: แนวโน้มในการบูรณาการการวิจัยและการวิจัยภาษา: งานชุดข้อมูลและวิธีการ (2021)
• แนวโน้ม: การวิจัยหลายรูปแบบด้านวิสัยทัศน์และภาษา: แนวโน้มปัจจุบันและที่เกิดขึ้นใหม่ (2020)

การเรียนรู้เสริมแรง

• อัลกอริทึม: การสำรวจสั้น ๆ เกี่ยวกับการเรียนรู้การเสริมแรงลึก (2017)
• การถ่ายโอนการเรียนรู้: ถ่ายโอนการเรียนรู้สำหรับโดเมนการเรียนรู้การเสริมแรง (2009)
• เศรษฐศาสตร์: การทบทวนวิธีการเรียนรู้การเสริมแรงอย่างลึกซึ้งและการใช้งานด้านเศรษฐศาสตร์ (2020)
• การค้นพบ: การเรียนรู้การเสริมแรงอย่างลึกซึ้งสำหรับการค้นหาคำแนะนำและการโฆษณาออนไลน์ (2018)

กราฟ

• แบบสำรวจ: การสำรวจที่ครอบคลุมเกี่ยวกับเครือข่ายประสาทกราฟ (2019)
• แบบสำรวจ: คู่มือปฏิบัติเกี่ยวกับกราฟโครงข่ายประสาท (2020)
• การตรวจจับการฉ้อโกง: การทบทวนวรรณกรรมอย่างเป็นระบบเกี่ยวกับวิธีการตรวจจับความผิดปกติของกราฟ (2020)
• กราฟความรู้: การแนะนำที่ครอบคลุมเกี่ยวกับกราฟความรู้ (2021)

การฝัง

• ข้อความ: จาก Word to Sense Embeddings: การสำรวจเกี่ยวกับการแสดงเวกเตอร์ของความหมาย (2018)
• ข้อความ: Diachronic Word Embeddings และ Semantic Shifts (2018)
• ข้อความ: Word Embeddings: การสำรวจ (2019)
• ข้อความ: การสำรวจที่ทำซ้ำได้เกี่ยวกับการฝังคำและวิธีการอภิปรัชญาสำหรับความคล้ายคลึงกันของคำ (2019)
• กราฟ: การสำรวจที่ครอบคลุมของการฝังกราฟ: ปัญหาเทคนิคและแอปพลิเคชัน (2017)

Meta-Learning และการเรียนรู้ไม่กี่ครั้ง

• NLP: Meta-Learning สำหรับการประมวลผลภาษาธรรมชาติไม่กี่นัด: การสำรวจ (2020)
• Domain Agnostic: การเรียนรู้จากตัวอย่างไม่กี่: การสำรวจ (2020)
• Neural Networks: Meta-Learning ใน Neural Networks: การสำรวจ (2020)
• Domain Agnostic: ภาพรวมที่ครอบคลุมและการสำรวจความก้าวหน้าล่าสุดใน Meta-Learning (2020)
• Domain Agnostic: ก้าวไปสู่การเรียนรู้ไม่กี่ครั้งด้วยความหมายหลายอย่าง (2020)
• Domain Agnostic: Meta-Learning: การสำรวจ (2018)
• Domain Agnostic: มุมมองมุมมองและการสำรวจ Meta-Learning (2002)

คนอื่น

• การถ่ายโอนการเรียนรู้: การสำรวจการเรียนรู้การถ่ายโอน (2009)