追风赶月莫停留，平芜尽处是春山

论文分类方式按贡献：可以分为原创论文和非原创论文。原创文章需要包含作者尚未发表的新的研究成果。非原创文章，如综述论文，不包含作者新的研究成果。按获取限制程度：可以分为公开论文和保密论文(classified)。所有读者都可以获取公开论文。保密论文的读者是指定的群体。按出版途径：可以分为学位论文、期刊论文、会议论文、内部报告和电子预印本论文。按文章内涵要求：可以分为学位论文、标准研究论文、快报、综述论文等。着重介绍常见的4种论文，学位论文，标准研究论文（期刊论文），会议论文，综述论

信号稀疏表示的介绍数学变换会追求所谓稀疏表示(sparse representation），即如何通过最小数量的系数尽可能更多的描述信号的能量。不同类型的信号，其在不同变换下系数的分布会不同。信号稀疏表示的目的就是在给定的超完备字典中用尽可能少的原子来表示信号，可以获得信号更为简洁的表示方式，从而使我们更容易地获取信号中所蕴含的信息，更方便进一步对信号进行加工处理，如压缩、编码等。信号稀疏表示方向的研究热点主要集中在稀疏分解算法、超完备原子字典、和稀疏表示的应用等方面。

1决策树（Decision Trees）的优缺点2 人工神经网络的优缺点3 遗传算法的优缺点4 KNN算法(K-Nearest Neighbour) 的优缺点5 支持向量机（SVM）的优缺点6 朴素贝叶斯的优缺点7 Adaboosting方法的优点8 Rocchio的优点

增强现实（Augmented Reality）增强现实（AR）指将计算机生成的图像（甚至声音）叠加在我们对现实世界的感知上。从技术角度来看，AR是一个巨大的挑战，因为用户可以利用它从多角度理解三维环境。实现AR的基础是虚拟投影与现实世界的集成。全息图（Holograms）全息图是以激光为光源，用全景照相机将被摄体记录在高分辨率的全息胶片上构成的图，以干涉条纹形式存在。

随着企业数字化的转型，传统企业已基本上将业务从线下搬到了云上。第一个阶段是将企业的业务简单地部署到云上，称之为 ON CLOUD。现在的 ON CLOUD 进阶到 IN CLOUD 阶段，即基于云的技术架构来构建企业业务，通过构建多云、多中心的分布式架构以及敏捷、智能的企业数字化业务，将企业的数字化建设带入智能化新阶段。华为云对 AI 平台打造了四层体第一层是智能体；第二层是知识计算解决方案；第三层是 ModelArts Pro第四层是 ModelArts Fundamental

图不但包含数据，也包含数据之间的依赖关系，因而图神经网络（GNN）在自然语言处理（NLP）方面的表现有着非常大的潜力。图神经网络（GNN）最擅长处理和建模图结构数据。GNN的工作原理简单概况就是，聚合节点的邻居节点/边的信息，来更新节点的向量表征。​

Facebook的研究员从一个新奇的角度对神经网络的表示与设计进行探索，提出了一种新颖的相关图表示方式。它有助于对现有网络架构进行更深层次的分析与性能评价。 Relational graph(相关图)的图表示方式，神经网络的层沿图像结构进行多次信息交互。基于这种图表示方式，有几点发现：相关图的靶点(sweet spot)可以促使神经网络的性能极大提升；神经网络的性能与聚类系数、平均路径长度成平滑函数关系；该发现具有跨数据集、跨任务一致性；优秀的神经网络结构与真实生物神经网络具有

知识工程是符号主义人工智能的典型代表，近年来越来越火的知识图谱，就是新一代的知识工程技术。一般认为，人工智能分为计算智能、感知智能和认知智能三个层次。目前的智能研究旨在通过计算机模拟，让机器获得和人类相似的智慧，解决智能时代下的精准分析、智慧搜索、自然人机交互、深层关系推理等实际问题认知智能像人一样的思考能力具体体现在：机器对数据和语言的理解、推理、解释、归纳、演绎的能力，体现在一切人类所独有的认知能力上。

将图神经网络（GNN）与深度强化学习（DRL）相结合。新的DRL+GNN体系结构能够在任意网络拓扑图上学习、操作和生成。图神经网络(Graph Neural Networks，GNN)是一种新型的神经网络，用于对图结构信息进行操作。它们的基本形式是将一些初始状态与图中的不同元素相关联，然后结合这些元素在图中的相互关系。迭代算法更新状态元素并使用最终状态产生输出.

模型驱动的深度学习方法显然保留了一些模型驱动方法的优势（其确定性与驱动性）同时也避免了必须精确建模的缺点。它同时也兼备了深度学习方法强大的学习能力，而又克服了网络拓扑结构选择的困难。这使得深度学习方法的可设计性和可预测性变成可能，并且在实际应用中很好地平衡了通用性和相关性之间的关系。指出模型驱动的方法和数据驱动的方法二者之间并非相对的关系。

FCP（Fictitious Co-Play，虚拟合作）一篇由 DeepMind 的人工智能研究人员最新预发布的论文中，提出了一种称为FCP（Fictitious Co-Play，虚拟合作）的新方法。该方法实现智能体与不同技能水平人类间的合作，无需人工生成数据训练强化学习智能体（agent）。

对正确性和安全性要求很高、环境复杂的行业，人工智能应用还有很长的路要走。比如医疗行业、军事领域。第三波人工智能的兴起不是来自学术界，而是来自企业界的驱动。本质上不是人工智能界发明了以前不知道的新技术，而是数字化的普及产生了智能化的需求。如果我们能去掉人工智能头上神圣的光环，放下人工智能高贵的身段，在工业制造、生物学、医学、社会科学等诸多领域甘当配角，新一代人工智能不但不会进入严冬，必将走出小舞台，奔向科学研究和数字经济的大舞台，进入飞速发展的康庄大道。

多模态智能旨在融合多种模态的信息进行处理实现智能应用将多模态信号统一到同一个向量空间中，从而实现了多模态信号的交叉处理。大型自动语音识别使用完全连接深层神经网络(DNN)与自编码器的准确性大幅提高。自然语言在帮助机器理解图像内容方面起着关键作用，而理解意味着捕捉语言中嵌入的语义与从图像中获得的视觉特征之间的潜在相关性。多模态表示：由于其复杂的跨模态交互作用和各模态训练数据与测试数据之间可能存在的失配问题。

对于“大数据”的理解不应仅仅停留在“大”上，首先要从资料谈起：资料是生产过程、管理过程，乃至经济、社会、生活过程的记忆，这些记忆可能表现在一个文件、一段演讲或一段文字上，这些资料放在计算机里就叫数据。数据是指以编码形式存在的信息载体。大数据是指大而复杂的资料集，具有海量性、时变性、异构性、分布性等特点，是人们从互联网的数据中能够观察到的特征。大数据技术是人工智能的核心。人工智能是人类脑科学、认知科学的进展，它的可见趋势是“大数据+场景”。

1 量子计算的概念量子计算：一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式。基本理念：通过利用亚原子尺度的反直觉物理现象，来打破一些限制现有计算机速度的障碍。3 量子计算的未来一个希望是，量子计算机可以帮助机器学习算法使用比目前用于训练人工智能系统的数百万个例子少得多的例子来完成复杂的任务。

​字孪生（Digital Twin）是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。数字孪生方面的工作依据其性质的不同分为两大类：1.工作的重点在如何进行工程应用，解决实际问题；2.工作的重点在于探讨数字孪生自身的运作机理、运行方法或运行模式。

第三代人工智能的发展2015 年，张钹院士提出第三代人工智能体系的雏形。2017 年，DARPA 发起 XAI 项目，核心思想是从可解释的机器学习系统、人机交互技术以及可解释的心理学理论三个方面，全面开展可解释性 AI 系统的研究。2018年底，正式公开提出第三代人工智能的理论框架体系：

人机融合智能介绍人机融合智能就是由人、机、环境系统相互作用而产生的新型智能系统。之所以说它与人的智慧、人工智能不同，具体表现在三个方面: 1）首先是在智能输入端，它是把设备传感器客观采集的数据与人主观感知到的信息结合起来，形成一种新的输入方式； 2）其次是在智能的数据／信息中间处理过程，机器数据计算与人的信息认知融合起来，构建起一种独特的理解途径； 3）最后是在智能输出端，它把机器运算结果与人的价值决策相互匹配，形成概率化与规则化。

目前对于计算机科学家来讲，人工神经网络构建，往往基于这样一个概念：神经元是一个简单的、非智能的开关，神经网络的信息处理来源于数万（数万亿）个神经元之间的连接。神经科学家对于人脑的研究发现却并不是如此。在神经科学的诸多研究中已经发现，人脑在信息计算上并不只有神经元连接在起作用，单个的神经元也同样承担着比以前人们想象中要重要得多的计算任务。《Science》上发表了一篇论文 “Dendritic action potentials and computation i

人工智能已经存在于我们生活中很久了。但对很多人来讲，人工智能还是一个较为“高深”的技术，然而再高深的技术，也是从基础原理开始的。人工智能领域中就流传着10大算法，它们的原理浅显，很早就被发现、应用，甚至你在中学时就学过，在生活中也都极为常见。

1 对抗性神经网络是指由一个不断产生数据的神经网络模块与一个持续判别所产生数据是否真实的神经网络模块组成的神经网络架构，创造出近似真实的原创图像、声音和文本数据的技术。2 胶囊网络是指在深度神经网络中构建多层神经元模块，用以发现并存储物体详细空间位置和姿态等信息的技术。3 云端人工智能云端人工智能是指将云计算的运作模式与人工智能深度融合，在云端集中使用和共享机器学习工具的技术。

中科院动物研究所王德华教授曾经在2019年发布过一篇关于优秀论文如何写的文章---《导师心目中的优秀论文》。王德华教授写的十分详细，细节上面面俱到，让我受益匪浅，因此将原文展现在这里，希望能够对正在或未来需要写论文的大家提供一些帮助。

深度学习的成功来自于以下 3 个要素：一是数据：二是算法：三是算力：早在 2014 年，深度学习的诸多缺陷不断地被发现，预示着这条道路遇到了瓶颈。深度学习为何如此脆弱，容易受攻击，被欺骗和不安全。基于深度学习的 AI 具有不可解释性和鲁棒性差等缺陷，并针对这两个缺陷展开分析。2 深度学习的改进分析2.1可解释性问题人类理解机器决策过程的核心难点是跨越数据特征空间和人类语义空间之间的鸿沟。

人工智能 (artifificial intelligence，AI) 自1956 年诞生以来，在 60 多年的发展历史中，一直存在 两个相互竞争的范式，即符号主义与连接主义 (或称亚符号主义)。二者虽然同时起步，但符号主义到 20 世纪 80 年代之前一直主导着 AI 的发展，而连接主义从 20 世纪 90 年代才逐步发展起来，到21世纪初进入高潮，大有替代符号主义之势。这两种范式只是从不同的侧面模拟人类的心智(或大脑)，具有各自的片面性，依靠单个范式不可能触及人类真正的智能.

让我们站在2018年的角度，回望那年的人工智能领域研发热点人工智能还有许多亟待发展和研究的方向。它的以下特点推动它在第三次发展浪潮中前往更具突破性的阶段，分别为从人工知识表达技术到大数据驱动知识学习处理单一的数据到跨媒体认识、学习和推理从追求“机器智能”到迈向人机混合的增强智能从聚焦“个体智能”到基于互联网络的群体智能从机器人到自主无人系统1人机融合智能2群体智能3认知计算4情感计算5智能机器人6智慧城市7人工智能医疗

意向是结构的可能性，形式是结构的现实性。智能是什么？人具有智能的一部分，而不是全部。智能是东西方文明一直共同关注的对象，孟子曰:“是非之心，智也”（《告子上》）；是非在西方可以用“to be or not to be”来替代，两者之间的活动——应该（should）即是智能。从某种意义上说，人类文明是一个人类对世界和自己不断认知的过程。自学习系统就是系统具有能够按照自己运行过程中的经验来改进控制算法的能力，它是自适应系统的一个延伸和发展。

人工智能产品：目前大量将面世的科技新产品到底并非都是人工智能产品，主要靠的是信息技术、自动化技术等，人工智能未必是其主体、灵魂或关键。但是人工智能包括信息技术、自动化技术等几乎所有技术，因为智能需要它们。人的学习无需如此海量的事例，因为人会归纳，而机器不会。简单地说，深度学习就是深层人工神经网络模型针对特定任务的大数据函数拟合培训，其数学本质是数据拟合。学成后，给定输入时，输出结果就像插值结果。不应该奢求对于“智能”有一个精确的定义人的意识行为：

人工智能的优势在于庞大的信息存储量和高速的处理速度，但是无法处理如休谟问题，即从“是”（being）能否推出“应该”（should），也即“事实”命题能否推出“价值”命题；也无法处理情感的表征问题。人工智能尝试通过大数据与逐步升级的算法实现人的情感与意指依旧没有办法实现跨越。而人机智能融合将会是未来智能科学发展的下一个突破点。人机融合智能理论着重描述一种由人、机、环境系统相互作用而产生的新型智能形式，它既不同于人的智能也不同于人工智能，它是一种物理性与生物性相结合的新一代智能科学体系

​目前人工智能界现存的几大瓶颈即机器仍然无法形成常识、动机与智能决策人工智能的发展方向：（1）集群智能很多群居生物进行觅食、逃跑之时，往往个体没有复杂的行为，但群体的行为却涌现出复杂的智能现象。集群智能的五大原则：分别为邻近原则、品质原则、多样性反应原则、稳定性原则与适应性原则。比较著名的集群智能有蚁群优化、粒子群优化算法和人工鱼群算法。（2）软计算（soft computing）（3）混合智能系统

图灵奖得主，Meta人工智能负责人杨立昆(Yann LeCun)在2016年曾提出一个有名的蛋糕比喻：“如果智能是一块蛋糕，主体是自监督学习，表面的一糖霜是监督学习，点缀的樱桃是强化学习”机器学习:监督学习(Supervised Learning)无监督学习(Unsupervised Learning)自监督学习(Self-Supervised Learning)半监督学习(Semi-supervised learning)强化学习(Reinforcement Learning)深度强化学习

人工智能的 10 个重大数理基础问题本篇文章是博主在人工智能等领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对人工智能等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。