摘要：機器學習和深度學習的研究進展正深刻變革著人類的技術(shù)，本文列出了自年以來這兩個領(lǐng)域發(fā)表的最重要被引用次數(shù)最多的篇科學論文，以饗讀者。注意第篇論文去年才發(fā)表要了解機器學習和深度學習的進展，這些論文一定不能錯過。

機器學習和深度學習的研究進展正深刻變革著人類的技術(shù)，本文列出了自 2014 年以來這兩個領(lǐng)域發(fā)表的最重要（被引用次數(shù)最多）的 20 篇科學論文，以饗讀者。

機器學習，尤其是其子領(lǐng)域深度學習，在近些年來取得了許多驚人的進展。重要的研究論文可能帶來使全球數(shù)十億人受益的技術(shù)突破。這一領(lǐng)域的研究目前發(fā)展非?？?，為了幫助你了解進展狀況，我們列出了自 2014 年以來最重要的 20 篇科學論文。

我們篩選論文的標準是來自三大學術(shù)搜索引擎谷歌學術(shù)（scholar.google.com）、微軟學術(shù)（academic.microsoft.com）和 semanticscholar.org 的引用量。由于不同搜索引擎的引用量數(shù)據(jù)各不相同，所以我們在這里僅列出了微軟學術(shù)的數(shù)據(jù)，其數(shù)據(jù)比其它兩家稍低一點。

我們還給出了每篇論文的發(fā)表時間、高度有影響力的引用數(shù)量（HIC）和引用速度（CV），以上數(shù)據(jù)由 semanticscholar.org 提供。HIC 表示了以此為基礎的論文情況和與其它論文的關(guān)系，代表了有意義的引用。CV 是最近 3 年每年引用數(shù)量的加權(quán)平均。有些引用的 CV 是 0，那是因為 semanticscholar.org 上沒有給出數(shù)據(jù)。這 20 篇論文中大多數(shù)（包括前 8 篇）都是關(guān)于深度學習的，但同時也很多樣性，僅有一位作者（Yoshua Bengio）有 2 篇論文，而且這些論文發(fā)表在很多不同的地方：CoRR (3)、ECCV (3)、IEEE CVPR (3)、NIPS (2)、ACM Comp Surveys、ICML、IEEE PAMI、IEEE TKDE、Information Fusion、Int. J. on Computers & EE、JMLR、KDD 和 Neural Networks。前 2 篇論文的引用量目前遠遠高于其它論文。注意第 2 篇論文去年才發(fā)表！要了解機器學習和深度學習的進展，這些論文一定不能錯過。

1. 論文：Dropout：一種防止神經(jīng)網(wǎng)絡過擬合的簡單方法（Dropout: a simple way to prevent neural networks from overfitting）

鏈接：http://suo.im/3o6l4B

作者：Hinton, G.E., Krizhevsky, A., Srivastava, N., Sutskever, I., & Salakhutdinov, R. (2014). Journal of Machine Learning Research, 15, 1929-1958.

數(shù)據(jù)：引用：2084、HIC：142、CV：536

摘要：其關(guān)鍵思想是在神經(jīng)網(wǎng)絡的訓練過程中隨機丟棄單元（連同它們的連接點）。這能防止單元適應過度，顯著減少過擬合，并相對于其它正則化方法有重大改進。

2. 論文：用于圖像識別的深度殘差學習（Deep Residual Learning for Image Recognition）

鏈接：http://suo.im/1JrYXX

作者：He, K., Ren, S., Sun, J., & Zhang, X. (2016). CoRR

數(shù)據(jù)：引用：1436、HIC：137、CV：582

摘要：目前的深度學習網(wǎng)絡層數(shù)越來越多，越來越難以訓練，因此我們提出了一種減緩訓練壓力的殘差學習框架。我們明確地將這些層重新定義為與輸入層有關(guān)的學習殘差函數(shù)，而不是學習未被引用的函數(shù)。與此同時，我們提供了全面的經(jīng)驗證據(jù)以表明殘差網(wǎng)絡更容易優(yōu)化，并可通過增加其層數(shù)來提升較精確度。

3. 論文：批標準化：通過減少內(nèi)部協(xié)移加速深度神經(jīng)網(wǎng)絡訓練（Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift）

鏈接：http://suo.im/3sJtk1

作者：Sergey Ioffe, Christian Szegedy (2015) ICML.

數(shù)據(jù)：引用：946、HIC：56、CV：0

摘要：訓練深度神經(jīng)網(wǎng)絡的過程很復雜，原因在于每層的輸入分布隨著訓練過程中引起的前面層的參數(shù)變化而變化。我們把這種現(xiàn)象稱為內(nèi)部協(xié)變量轉(zhuǎn)移（internal covariate shift），并可利用歸一化層輸入來解決此問題。通過將此方法應用到較先進的圖像分類模型，批標準化在訓練次數(shù)減少了 14 倍的條件下達到了與原始模型相同的精度，這表明批標準化具有明顯的優(yōu)勢。

4. 論文：利用卷積神經(jīng)網(wǎng)絡進行大規(guī)模視頻分類（Large-Scale Video Classification with Convolutional Neural Networks）

鏈接：http://suo.im/25lfXF

作者：Fei-Fei, L., Karpathy, A., Leung, T., Shetty, S., Sukthankar, R., & Toderici, G. (2014). IEEE Conference on Computer Vision and Pattern Recognition

數(shù)據(jù)：引用：865、HIC：24、CV：239

摘要：針對圖像識別問題，卷積神經(jīng)網(wǎng)絡（CNN）被認為是一類強大的模型。受到這些結(jié)果的激勵，我們使用了一個包含 487 個類別、100 萬 YouTube 視頻的大型數(shù)據(jù)集，對利用 CNN 進行大規(guī)模視頻分類作了一次廣泛的實證評估。

5. 論文：Microsoft COCO：語境中的通用對象（Microsoft COCO: Common Objects in Context）

鏈接：http://suo.im/DAXwA

作者：Belongie, S.J., Dollár, P., Hays, J., Lin, T., Maire, M., Perona, P., Ramanan, D., & Zitnick, C.L. (2014). ECCV.

數(shù)據(jù)：引用：830、HIC：78、CV：279

摘要：我們展示了一個新的數(shù)據(jù)集，通過將對象識別問題放入更廣泛的場景理解問題的語境中，以推進當前對象識別領(lǐng)域中較先進的技術(shù)。我們的數(shù)據(jù)集包含了 91 種對象類型的照片，這些圖片對于一個 4 歲大的孩子而言，很容易識別。最后，我們利用可變形部件模型（DPM）為邊界框和分割檢測結(jié)果提供了一個基線性能分析。

6. 論文：使用場景數(shù)據(jù)庫學習場景識別中的深層特征（Learning deep features for scene recognition using places database）

鏈接：http://suo.im/2EOBTa

作者：Lapedriza, à., Oliva, A., Torralba, A., Xiao, J., & Zhou, B. (2014). NIPS.

數(shù)據(jù)：引用：644、HIC：65、CV：0

摘要：我們引入了一個以場景為中心的新數(shù)據(jù)庫，這個數(shù)據(jù)庫稱為「Places」，里面包含了超過 700 萬個標注好了的場景。我們提議使用新方法去比較圖像數(shù)據(jù)集的密度和多樣性，以表明 Places 與其它場景數(shù)據(jù)庫一樣密集并更具多樣性。

7. 論文：生成對抗網(wǎng)絡（Generative adversarial nets）

鏈接：http://suo.im/3YS5F6

作者：Bengio, Y., Courville, A.C., Goodfellow, I.J., Mirza, M., Ozair, S., Pouget-Abadie, J., Warde-Farley, D., & Xu, B. (2014) NIPS.

數(shù)據(jù)：引用：463、HIC：55、CV：0

摘要：通過對抗過程，我們提出了一個評估生成模型的新框架。在此框架中，我們同時訓練兩個模型：生成模型 G 捕獲數(shù)據(jù)分布；判別模型 D 評估樣本示來自訓練數(shù)據(jù)集（而不是來自 G 中）的概率。

8. 論文：通過內(nèi)核相關(guān)濾波器實現(xiàn)高速跟蹤（High-Speed Tracking with Kernelized Correlation Filters）

鏈接：http://suo.im/2BBOea

作者：Batista, J., Caseiro, R., Henriques, J.F., & Martins, P. (2015). CoRR

數(shù)據(jù)：引用：439、HIC：43、CV：0

摘要：大多數(shù)的現(xiàn)代追蹤器，為應對自然圖像中的變化，典型的方法是采用翻譯和縮放樣本補丁訓練分類器。我們針對包含成千上萬個翻譯補丁數(shù)據(jù)集提出了一個分析模型。結(jié)果表明結(jié)果數(shù)據(jù)矩陣是循環(huán)的，我們可以利用離散傅立葉變換對角化已有的循環(huán)矩陣，將存儲和計算量降低了幾個數(shù)量級。

9. 論文：多標簽學習算法綜述（A Review on Multi-Label Learning Algorithms）

鏈接：http://suo.im/3LgpGf

作者：Zhang, M., & Zhou, Z. (2014). IEEE TKDE

數(shù)據(jù)：引用：436、HIC：7、CV：91

摘要：本論文的主要目的是對多標簽學習問題進行及時回顧。在多標簽學習問題中，一個實例代表一個樣本，同時，一個樣本與一組標簽相關(guān)聯(lián)。

10. 論文：深層神經(jīng)網(wǎng)絡特征的可傳遞性（How transferable are features in deep neural networks）

鏈接：http://suo.im/aDLgu

作者：Bengio, Y., Clune, J., Lipson, H., & Yosinski, J. (2014) CoRR

數(shù)據(jù)：引用：402、HIC：14、CV：0

摘要：我們用實驗量化了深層卷積神經(jīng)網(wǎng)絡中每層神經(jīng)元的一般性與特異性，并報告了一些令人驚訝的結(jié)果?？蓚鬟f性受到兩個不同問題的不利影響：（1）以犧牲目標任務的性能為代價，實現(xiàn)更高層神經(jīng)元對原始人物的專業(yè)化，這是預料之中的；（2）與分裂共同適應神經(jīng)元（co-adapted neuron）之間的網(wǎng)絡有關(guān)的優(yōu)化困難，這是預料之外的。

11. 論文：我們需要數(shù)百種分類器來解決真實世界的分類問題嗎？（Do we need hundreds of classifiers to solve real world classification problems）

鏈接：http://suo.im/2w14RK

作者：Amorim, D.G., Barro, S., Cernadas, E., & Delgado, M.F. (2014). Journal of Machine Learning Research

數(shù)據(jù)：引用：387、HIC：3、CV：0

摘要：我們評估了來自 17 個「家族」（判別分析、貝葉斯、神經(jīng)網(wǎng)絡、支持向量機、決策樹、基于規(guī)則的分類器、提升、裝袋、堆疊、隨機森林、集成方法、廣義線性模型、最近鄰、部分最小二乘和主成分回歸、邏輯和多項回歸、多元自適應回歸樣條法等）的 179 個分類器。我們使用了來自 UCI 數(shù)據(jù)庫中的 121 個數(shù)據(jù)集來研究分類器行為，這些行為不依賴于所選取的數(shù)據(jù)集。最終勝出的是使用 R 語言實現(xiàn)的隨機森林方法和 C 中使用 LibSVM 實現(xiàn)的帶有高斯內(nèi)核的 SVM。

12. 論文：知識庫：一種概率知識融合的網(wǎng)絡規(guī)模方法（Knowledge vault: a web-scale approach to probabilistic knowledge fusion）

鏈接：http://suo.im/3qCSs6

作者：Dong, X., Gabrilovich, E., Heitz, G., Horn, W., Lao, N., Murphy, K., ... & Zhang, W.(2014, August). In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining ACM

數(shù)據(jù)：引用：334、HIC：7、CV：107

摘要：我們引入了一個網(wǎng)絡規(guī)模的概率知識庫，它將網(wǎng)頁內(nèi)容提?。ㄍㄟ^文本分析、表格數(shù)據(jù)、頁面結(jié)構(gòu)和人工注釋獲得）與來自現(xiàn)存知識庫中的先驗知識相結(jié)合，以構(gòu)建新知識庫。我們部署監(jiān)督學習方法去融合不同的信息源。該知識庫比先前發(fā)布的任何結(jié)構(gòu)化知識庫大得多，并且具有概率推理系統(tǒng)，該概率推理系統(tǒng)能計算事實準確性的校準概率。

13. 論文：用于高維數(shù)據(jù)的可擴展最近鄰算法（Scalable Nearest Neighbor Algorithms for High Dimensional Data）

鏈接：http://suo.im/hjTa4

作者：Lowe, D.G., & Muja, M. (2014). IEEE Trans. Pattern Anal. Mach. Intell.

數(shù)據(jù)：引用：324、HIC：11、CV：69

摘要：我們提出了用于近似最近鄰匹配的新算法，并將其與以前的算法進行比較。為了將其擴展到大型數(shù)據(jù)集（不適合單機的存儲處理）上，我們提出了一種分布式最近鄰匹配框架，該框架可以與論文中描述的任何算法一起使用。

14. 論文：回顧超限學習機的發(fā)展趨勢（Trends in extreme learning machines: a review）

鏈接：http://suo.im/3WSEQi

作者：Huang, G., Huang, G., Song, S., & You, K. (2015). Neural Networks

數(shù)據(jù)：引用：323、HIC：0、CV：0

摘要：我們的目標是報告超限學習機（ELM）的理論研究和實踐進展所處的現(xiàn)狀。除了分類和回歸，ELM 最近已經(jīng)被擴展到集群、特征選擇、代表性學習和許多其他學習任務。由于其驚人的高效性、簡單性和令人印象深刻的泛化能力，ELM 已經(jīng)被廣泛用于各種領(lǐng)域，如生物醫(yī)學工程、計算機視覺、系統(tǒng)識別、控制和機器人。

15. 論文：一份關(guān)于概念漂移適應的調(diào)查（A survey on concept drift adaptation）

鏈接：http://suo.im/3bQkiz

作者：Bifet, A., Bouchachia, A., Gama, J., Pechenizkiy, M., & Zliobaite, I. ACM Comput. Surv., 2014

數(shù)據(jù)：引用：314、HIC：4、CV：23

摘要：該文全面介紹了概念漂移適應。它指的是當輸入數(shù)據(jù)與目標變量之間的關(guān)系隨時間變化之時的在線監(jiān)督學習場景。

16. 論文：深度卷積激活特征的多尺度無序池化（Multi-scale Orderless Pooling of Deep Convolutional Activation Features）

鏈接：http://suo.im/3gNw8e

作者：Gong, Y., Guo, R., Lazebnik, S., & Wang, L. (2014). ECCV

數(shù)據(jù)：引用：293、HIC：23、CV：95

摘要：為了在不降低其辨別力的同時改善卷積神經(jīng)網(wǎng)絡激活特征的不變性，本文提出了一種簡單但有效的方案：多尺度無序池化（MOP-CNN）。

17. 論文：同時檢測和分割（Simultaneous Detection and Segmentation）

鏈接：http://suo.im/4b0ye0

作者：Arbeláez, P.A., Girshick, R.B., Hariharan, B., & Malik, J. (2014) ECCV

數(shù)據(jù)：引用：286、HIC：23、CV：94

摘要：本文的目標是檢測圖像中一個類別的所有實例，并為每個實例標記屬于它的像素。我們稱將此任務稱為同時檢測和分割（SDS）。

18. 論文：一份關(guān)于特征選擇方法的調(diào)查（A survey on feature selection methods）

鏈接：http://suo.im/4BDdKA

作者：Chandrashekar, G., & Sahin, F. Int. J. on Computers & Electrical Engineering

數(shù)據(jù)：引用：279、HIC：1、CV：58

摘要：在文獻中，有許多特征選擇方法可用，由于某些數(shù)據(jù)集具有數(shù)百個可用的特征，這會導致數(shù)據(jù)具有非常高的維度。

19. 論文：用回歸樹集成方法在一毫秒內(nèi)實現(xiàn)人臉校準（One Millisecond Face Alignment with an Ensemble of Regression Trees）

鏈接：http://suo.im/1iFyub

作者：Kazemi, Vahid, and Josephine Sullivan, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2014

數(shù)據(jù)：引用：277、HIC：15、CV：0

摘要：本文解決了單個圖像的人臉校準問題。我們展示了怎樣使用回歸樹集成來直接從像素強度的稀疏子集估計面部的地標位置，并通過高質(zhì)量的預測實現(xiàn)了超實時性能。

20. 論文：關(guān)于作為混合系統(tǒng)的多分類器系統(tǒng)的調(diào)查（A survey of multiple classifier systems as hybrid systems）

鏈接：http://suo.im/3c9EFD

作者：Corchado, E., Gra?a, M., & Wozniak, M. (2014). Information Fusion, 16, 3-17.

數(shù)據(jù)：引用：269、HIC：1、CV：22

摘要：模式分類領(lǐng)域目前關(guān)注的焦點是幾種分類器系統(tǒng)的組合，構(gòu)建這些分類器系統(tǒng)可以使用相同或者不同的模型和／或數(shù)據(jù)集構(gòu)建。

原文地址：http://www.kdnuggets.com/2017/04/top-20-papers-machine-learning.html

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754