為了幫助各位學術青年更好地學習前沿研究成果和技術，AI科技評論聯合Paper 研習社（paper.yanxishe），重磅推出【今日 Paper】欄目， 每天都為你精選關于人工智能的前沿學術論文供你學習參考。以下是今日的精選內容——
目錄
- ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS
- FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping
- Deep Learning for 3D Point Clouds: A Survey
- Causal Discovery with Reinforcement Learning
- A Survey of Multi-Access Edge Computing in 5G and Beyond: Fundamentals, Technology Integration, and State-of-the-Art
- From Drinking Philosophers to Wandering Robots
- DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection
- Bayesian Learning via Stochastic Gradient Langevin Dynamics
- Computational model discovery with reinforcement learning
- Quantum Adversarial Machine Learning
ALBERT：一種用于語言表征自監(jiān)督學習的精簡BERT
論文名稱：ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS
作者：ZhenzhongLan /MingdaChen /SebastianGoodman
發(fā)表時間：2018/10/30
論文鏈接：https://paper.yanxishe/review/8078
推薦理由：bert模型開啟了自然語言理解的預訓練時代，很多和語義解析的相關任務都可以通過bert模型來提高效果，但是這也帶來了一些問題，bert參數過多，模型過于復雜，需要較大的計算能力才可以支持，所以這導致了很大的問題，如何讓模型變小，降低內存消耗，減少訓練時間稱為了當前的問題，也是必要的方向，albert正式解決這個問題的，它提出了兩種降低內存消耗和提高BERT訓練速度的參數約簡技術。不僅解決了前面的問題，并且這種預訓練模型比之前的bert的預訓練模型的效果更好，在很多任務上都得到了超越。
FaceShifter：邁向高保真度和遮擋意識的面部交換
論文名稱：FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping
作者：Li Lingzhi /Bao Jianmin /Yang Hao /Chen Dong /Wen Fang
發(fā)表時間：2019/12/31
論文鏈接：https://paper.yanxishe/review/8077
推薦理由：這是北大和微軟亞研院的聯合工作，考慮的是人臉交換的問題。
這篇論文提出了一個名為FaceShifter的新穎的兩階段框架，用于實現高保真度和遮擋意識的人臉交換。與許多現有的人臉交換作品在合成交換的面孔時僅利用目標圖像的有限信息不同，FaceShifter在其第一階段通過充分自適應地利用和集成目標屬性，以高保真度生成交換的面孔。這篇論文提出了一種新穎的屬性編碼器，用于提取多級目標人臉屬性，并提出了一種經過精心設計的自適應注意力非正規(guī)化層的新生成器，以自適應地集成身份和人臉合成屬性。為了解決具有挑戰(zhàn)性的面部遮擋，FaceShifter附加了第二階段，該階段包括一個新穎的啟發(fā)式錯誤確認細化網絡。它經過訓練可以以自我監(jiān)督的方式恢復異常區(qū)域，而無需任何手動注釋。在自然面孔上進行的大量實驗表明，與其他最新方法相比，FaceShifter的交換結果不僅在感知上更具吸引力，而且還保留了更好的身份。
三維點云深度學習研究綜述
論文名稱：Deep Learning for 3D Point Clouds: A Survey
作者：Guo Yulan /Wang Hanyun /Hu Qingyong /Liu Hao /Liu Li /Bennamoun Mohammed
發(fā)表時間：2019/12/27
論文鏈接：https://paper.yanxishe/review/8076
推薦理由：這是國防科大關于三維點云深度學習的研究綜述。
點云學習在計算機視覺、自動駕駛和機器人等諸多領域都有廣泛應用。作為人工智能領域的主要技術，深度學習已被成功地用于解決各種二維視覺問題。但是，由于三維點云在處理過程中面臨一些獨特的挑戰(zhàn)，所以點云領域的深度學習技術仍然處于發(fā)展初期。為了促進點云學習未來的研究，這篇論文全面綜述了點云深度學習方法的研究進展。這些方法主要包括3D形狀分類、3D目標檢測和追蹤以及3D點云分割。此外，這篇論文還展示了在當前一些公開可用數據集上的比較結果，提出了具有洞察力的觀察結果和啟發(fā)性的未來研究方向。
基于強化學習的因果發(fā)現
論文名稱：Causal Discovery with Reinforcement Learning
作者：Zhu Shengyu /Ng Ignavier /Chen Zhitang
發(fā)表時間：2019/6/11
論文鏈接：https://paper.yanxishe/review/8075
推薦理由：這篇論文是華為諾亞方舟實驗室被ICLR 2020接收的一篇滿分論文，考慮的是因果研究中的因果發(fā)現問題。
作為下一個潛在的熱點，因果研究已經吸引了機器學習和深度學習領域的的廣泛關注。因果研究中一個經典的問題是因果發(fā)現問題，即從被動可觀測的數據中發(fā)現潛在的因果圖結構。這篇論文將強化學習應用到打分法的因果發(fā)現算法中，通過基于自注意力機制的encoder-decoder神經網絡模型探索數據之間的關系，結合因果結構的條件，并使用策略梯度的強化學習算法對神經網絡參數進行訓練，最終得到因果圖結構。這個方法比一些傳統(tǒng)的因果發(fā)現算法和近期的基于梯度的算法在中等規(guī)模的圖上的表現都更好，并且可以非常靈活地和任意的打分函數結合使用。
5G及未來的多接入邊緣計算綜述：基礎知識，技術集成和最新技術
論文名稱：A Survey of Multi-Access Edge Computing in 5G and Beyond: Fundamentals, Technology Integration, and State-of-the-Art
作者：Pham Quoc-Viet /Fang Fang /Ha Vu Nguyen /Piran Md. Jalil /Le Mai /Le Long Bao /Hwang Won-Joo /Ding Zhiguo
發(fā)表時間：2019/6/20
論文鏈接：https://paper.yanxishe/review/8074
推薦理由：這是一篇邊緣計算相關的綜述論文。
在新的計算密集型應用程序的出現以及物聯網（IoT）的愿景的推動下，可以預見的是，新興的5G網絡將面臨流量和計算需求前所未有的增長。但是，最終用戶大多具有有限的存儲容量和有限的處理能力，因此，最近如何在資源受限的用戶上運行計算密集型應用程序已成為一個自然而然的問題。移動邊緣計算（MEC）是新興的第五代移動網絡中的一項關鍵技術，它可以通過托管計算密集型應用程序，在發(fā)送到云端之前處理大數據，在無線接入網中提供云計算功能來優(yōu)化移動資源。 移動邊緣計算支持嚴格要求實時響應的各種應用，例如無人駕駛車輛，增強現實，機器人技術和沉浸式媒體。在5G網絡中成功實現MEC仍處于起步階段，需要學術界和行業(yè)界的不斷努力。這篇綜述首先提供了MEC技術及其潛在用例和應用的整體概述。然后概述了有關MEC與將在5G及更高版本中部署的新技術的集成的最新研究。這篇論文還總結了用于邊緣計算的測試平臺和實驗評估以及開源活動，進一步總結了從最新研究工作中汲取的教訓，并討論了MEC研究的挑戰(zhàn)和潛在的未來方向。
拓展閱讀
由于篇幅有限，剩余五篇的論文推薦精選請掃描下方二維碼繼續(xù)閱讀——
- 從飲酒哲學家到漫游機器人 論文名稱： From Drinking Philosophers to Wandering Robots
- DeepFakes和更多：人臉操縱和假檢測研究綜述 論文名稱： DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection
- 基于隨機梯度Langevin動力學的貝葉斯學習 論文名稱： Bayesian Learning via Stochastic Gradient Langevin Dynamics
- 通過強化學習發(fā)現計算模型 論文名稱： Computational model discovery with reinforcement learning
- 量子對抗機器學習 論文名稱： Quantum Adversarial Machine Learning
（掃碼直達，可直接跳轉下載論文）
↓ ↓↓
