2017年最重要的机器学习进步是什么?

很难相信只有一年的时间……在AI和机器学习领域发生了太多的事情,很难将其归纳为一个答案。 这是我的尝试。 不要期望太多的细节,但希望有很多链接可以跟进它们。 如果必须选择本年度的主要亮点,则必须使用AlphaGo Zero(纸张)。 这种新方法不仅在某些最有希望的方向上有所改进(例如,深度强化学习),而且还代表了范式转变,在这种模式下,此类模型无需数据即可学习。 最近我们还了解到Alpha Go Zero可以推广到其他游戏,例如国际象棋。 您可以在Quora答案中阅读有关我对这一进步的解释的更多信息。 最近的一项元研究发现,在GANs相关研究论文的报告指标中存在系统性错误。 尽管如此,不可否认的是,GAN继续呈现出令人印象深刻的结果,尤其是在将其应用于图像空间时(例如,渐进式GAN,pix2pix中的有条件GANS或CycleGans)。 由于今年的深度学习,NLP是另一个取得了令人瞩目的进步的领域,即NLP,尤其是翻译。 Salesforce提出了一种有趣的非自回归方法,可以解决完整的句子翻译问题。 也许更具突破性的是Facebook和UPV提出的无监督方法。 深度学习在临近家庭的领域也发挥着巨大的影响:推荐系统。 但是,最近的一篇论文也通过展示像kNN这样的简单方法在深度学习方面的竞争力,也质疑了一些最新进展。 就像GAN研究一样,令人难以置信的是,人工智能研究的快速发展也可能导致科学严谨性的损失。…