papers I read

論文-我-讀

我正在嘗試一項新舉措——每週一篇論文。該存儲庫將保存所有這些論文以及相關的摘要和註釋。

論文列表

• Toolformer - 語言模型可以自學使用工具
• 電腦系統設計的提示
• 跨任務和環境的遷移和適應的綜合策略
• 用於 YouTube 推薦的深度神經網絡
• 規模化的尾巴
• 預測 Facebook 廣告點擊的實際經驗教訓
• 廣告點擊預測 - 戰壕中的視圖
• 災難性遺忘的剖析－隱藏表徵與任務語意
• 課程什麼時候有效？
• 使用超網絡持續學習
• 透過產生特定於任務的適配器進行零樣本學習
• 超網路
• 基於能量的持續學習模型
• GPipe - 透過微批量管道並行性輕鬆擴展
• 神經元的組成解釋
• 基於容器的分散式系統的設計模式
• Cassandra - 去中心化結構化儲存系統
• CAP 十二年後 - 規則發生了怎樣的變化
• 現代分散式資料庫系統設計中的一致性權衡
• 探索簡單的連體表示學習
• 網路規模單一登入的資料管理
• 尋找建立債務 - Google 管理技術債的經驗
• 一種解決方案並不是您所需要的全部 - 透過結構化 MaxEnt RL 進行少樣本外推
• 學習難以改變的解釋
• 出於正確的原因記住——解釋減少災難性遺忘
• 遷移學習的枝葉觀點
• 收穫、產量和可擴展的耐受系統
• MONet - 無監督場景分解和表示
• 重溫體驗回放的基礎知識
• 深度強化學習與致命三合會
• Alpha Net：分類器空間中組合的適應
• 極為龐大的神經網路：稀疏門控專家混合層
• 用於多任務學習的梯度手術
• GradNorm：深度多任務網路中自適應損失平衡的梯度歸一化
• TaskNorm：重新思考元學習的大量標準化
• 平均權重可以帶來更廣泛的最優值和更好的泛化能力
• 去中心化強化學習：透過本地經濟交易進行全球決策
• 何時在強化學習中使用參數模型？
• 網路隨機化 - 深度強化學習泛化的簡單技術
• 論熱啟動神經網路訓練的困難
• 監督對比學習
• CURL - 強化學習的對比無監督表示
• 獨立深度生成模型混合的競爭訓練
• 對 10,000 多個影像類別進行分類告訴我們什麼？
• mixup - 超越經驗風險最小化
• ELECTRA - 將文字編碼器預先訓練為鑑別器而不是生成器
• 基於梯度的樣本選擇用於線上持續學習
• 您的分類器實際上是一種基於能量的模型，您應該像對待一個模型一樣對待它
• 大規模多語言神經機器翻譯的實際應用 - 發現與挑戰
• 強化學習中的觀察過度擬合
• 快速學習還是功能重複使用？了解 MAML 的有效性
• 精準的大型小批量 SGD - 1 小時內訓練 ImageNet
• 將多個模型疊加為一個
• 邁向 MDP 狀態抽象的統一理論
• ALBERT - 用於語言表示自監督學習的 Lite BERT
• 透過學習模型進行規劃，掌握 Atari、圍棋、西洋棋和將棋
• 結構化世界模型的對比學習
• 基於 Gossip 的深度 RL 參與者學習器架構
• 如何訓練您的 MAML
• PHYRE - 物理推理的新基準
• 帶有產品金鑰的大記憶體層
• 歸納常識推理
• 使用機率動力學模型進行的幾次試驗中的深度強化學習
• 評估深度強化學習的泛化能力
• 強化學習中的量化泛化
• Set Transformer：基於注意力的排列不變神經網路的框架
• 測量神經網路中的抽象推理
• 哈密​​頓神經網絡
• 透過觀察中的逆強化學習來推斷出次優演示
• 結構化探索策略的後設強化學習
• 關係強化學習
• 夠好的組合數據增強
• 基於多模型的強化學習
• 邁向持續學習的自然基準
• 無監督表示學習的元學習更新規則
• GNN Expander - 圖神經網路事後解釋工具
• 調還是不調？使預訓練表示適應不同的任務
• 模型原始分層終身強化學習
• TuckER - 用於知識圖補全的張量分解
• 語言知識作為循環神經網路的記憶
• 多樣性就是你所需要的——無需獎勵功能即可學習技能
• 模組化元學習
• 使用本體週期性策略集合的分層強化學習
• 透過 A-GEM 實現高效率的終身學習
• 使用內核預訓練圖神經網絡
• 用於深度 Top-k 分類的平滑損失函數
• 事後經驗重播
• 雙曲嵌入的表示權衡
• 可擴展和泛化的學習優化器
• 使用記憶增強神經網路進行一次性學習
• BabyAI - 人類參與基礎語言學習的第一步
• 用於學習分層表示的龐加萊嵌入
• 當循環模型不需要循環時
• HoME - 家庭多模式環境
• 多智能體群體中紮根組合語言的出現
• 具有符號知識的深度學習的語意損失函數
• 使用可微池化的分層圖表示學習
• 用於深度強化學習的想像力增強代理
• 克羅內克循環單位
• 學習獨立的因果機制
• 基於記憶體的參數自適應
• 重生神經網絡
• Net2Net-透過知識轉移加速學習
• 學習計算自然圖像中的物件以進行視覺問答
• 量子化學的神經訊息傳遞
• 透過預測噪音進行無監督學習
• 彩票假設 - 訓練修剪神經網絡
• 訓練神經網路的循環學習率
• 透過強化學習獲取外部證據來改善資訊擷取
• 基於梯度的神經網路中災難性遺忘的實證研究
• 從單位監督學習 SAT 求解器
• 交互系統的神經關係推理
• 使用循環神經網路的自然語言生成系統中的文體遷移
• 切入要點：用指標產生器網路進行總結
• StarSpace - 嵌入一切！
• 情緒聊天機 - 利用內部和外部記憶體生成情感對話
• 探索圖像問答的模型和數據
• 深度神經網路中的特徵如何可轉移
• 提煉神經網路中的知識
• 重新審視帶有圖嵌入的半監督學習
• 用於機器理解中遷移學習的兩階段綜合網絡
• 複雜網路的高階組織
• 網路主題 - 複雜網路的簡單建構塊
• 透過高斯嵌入的單字表示
• HARP - 網路的層次表示學習
• Swish - 自門控激活函數
• 閱讀維基百科回答開放域問題
• 透過強化學習進行任務導向的查詢重構
• 使用神經機器翻譯的關係網絡細化源表示
• 指標網絡
• 學習動態計算詞嵌入
• R-NET - 具有自匹配網路的機器閱讀理解
• ReasoNet - 機器理解中學習停止閱讀
• 神經網路中分佈不均範例的原則性檢測
• 有任何問題都可以問我：用於自然語言處理的動態記憶網絡
• 一個模型即可了解所有內容
• Word2Vec 針對文法問題的兩次/過於簡單的改編
• 自然語言推理的可分解注意力模型
• 使用神經網路的快速且準確的依存解析器
• 神經模組網路
• 讓 VQA 中的 V 變得重要：提升影像理解在視覺問答中的作用
• 條件相似網絡
• 視覺問答的簡單基線
• VQA：視覺問答
• 學習生成評論並發現情緒
• 看到時間之箭
• 目標驅動和視覺基礎的對話系統的端到端優化
• 猜猜看什麼？透過多模式對話發現視覺對象
• 透過釋義進行語意分析
• 向量空間中的知識圖譜遍歷
• PPDB：釋義資料庫
• NewsQA：機器理解資料集
• 基於角色的神經對話模型
• “我為什麼要相信你？”解釋任何分類器的預測
• 條件生成對抗網絡
• 解決神經機器翻譯中的罕見字詞問題
• 利用混合詞字符模型實現開放詞彙神經機器翻譯
• 情感樹庫上語意組合性的遞歸深度模型
• 透過全局上下文和多個單字原型改進單字表示
• 使用 RNN 編碼器-解碼器學習短語表示以進行統計機器翻譯
• 跳過思維向量
• 深度卷積生成對抗網絡
• 生成對抗網絡
• 機器智慧路線圖
• 智慧回覆：郵件自動回覆建議
• 用於句子分類的捲積神經網絡
• 使用 PixelCNN 解碼器產生條件影像
• 像素遞歸神經網路
• 深入了解卷積網路：可視化影像分類模型和顯著性圖
• 高效率文字分類的技巧包
• GloVe：用於單字表示的全域向量
• SimRank：結構情境相似性的衡量標準
• 如何不評估你的對話系統：對話回應產生的無監督評估指標的實證研究
• 用最少的領域知識從自然語言神經生成正規表示式
• WikiReading：維基百科上的一項新穎的大規模語言理解任務
• WikiQA：開放域問答的挑戰資料集
• 教機器閱讀與理解
• 評估學習端到端對話系統的先決條件
• 循環神經網路正規化
• 深度數學：用於前提選擇的深度序列模型
• 神經對話模型
• 用於直接讀取文件的鍵值儲存網絡
• 優化循環網路的進展
• 用於機器理解的查詢回歸網絡
• 使用神經網路進行序列到序列學習
• 深度架構訓練的難度和無監督預訓練的效果
• 使用子圖嵌入回答問題
• 邁向人工智慧完整問答：一組先決玩具任務
• 可視化大規模和高維度數據
• 使用 t-SNE 可視化數據
• 課程學習
• 端對端記憶體網絡
• 記憶網絡
• 學習執行
• 分散式 GraphLab：雲端機器學習與資料探勘的框架
• 大規模分散式深度網絡
• 向量空間中詞表示的有效估計
• 透過彈性網路進行正規化和變數選擇
• 部分最大池化
• TAO：Facebook 的社交圖譜分散式資料存儲
• 批量歸一化：透過減少內部協變量偏移加速深度網路訓練
• Twitter 資料分析的統一日誌基礎設施
• 關於機器學習的一些有用的知識
• Hive – 使用 Hadoop 的 PB 級資料倉儲
• Kafka：用於日誌處理的分散式訊息系統
• 經驗數據中的冪律分佈
• Pregel：大規模圖形處理系統
• GraphX：統一資料平行和圖表平行分析
• Pig Latin：一種較不外語的資料處理語言
• 彈性分散式資料集：記憶體集群運算的容錯抽象
• MapReduce：簡化大型叢集上的資料處理
• BigTable：結構化資料的分散式儲存系統
• Spark SQL：Spark 中的關聯式資料處理
• Spark：使用工作集進行叢集運算
• 大數據時代的快數據：Twitter的即時相關查詢建議架構
• Facebook 的 Memcache 擴展
• Dynamo：亞馬遜的高可用鍵值存儲
• f4：Facebook 的 Warm BLOB 儲存系統
• 演算法實驗分析理論家指南
• 布穀鳥哈希
• 永無止境的學習