机器学习今年的热门研究，会是什么。

最近几天，有网友在 Reddit 开了这么一个盘，立刻吸引了大批 MLer 的注意。

有人提名自监督模型，有人认为表征学习越来越受到关注，还有人认为基于物理的机器学习才是未来的方向。

可是，目前从评论区最高赞数来看，上述的这几个方向都不是赢家。

截至目前，获赞最多的选手是 —— 几何深度学习。

这项技术是因 Twitter 首席科学家，图机器学习大牛 Michael Bronstein 去年发表的一篇论文走入了大众视线。

▼顺带一提那篇论文有 160 页

那么问题就来了:

Top 人气从何而来。

几何深度学习全名 Geometric Deep Learning，最早是 Michael Bronstein 在 2016 年的一篇论文中引出的一个概念。

简单来说，这是一种试图从对称性和不变性的视角出发，从几何上统一 CNNs，GNNs，LSTMs，Transformers 等典型架构的方法。

在高赞评论的下方，有人用一个简单的例子解释了这种对称性:

传统网络认为E和3是不同的，但是具有镜像对称性的网络却会认为它们是一致的。

CNN 就是这样，当不变性变得可平移时，右上角的 3 和中心的 3 当然就是一样的我们希望将 CNN 的这种特性推及到其他架构上

这就对称带来的稳定性，因为在视觉上，许多物体其实是同一个物体，会具有这是同一个物体，只是翻转了一下的 3D 几何相似性，因此很多问题都可以基于对称性得到解决。

而传统卷积网络更多地使用数据增强，如旋转，平移，翻转来补偿这一目的。

所以，几何深度学习希望几何学中的不变群的概念范围放得更宽，让网络除了旋转平移对称的常规操作之外，还能囊括不变这种操作。

比如在一段视频中，有两辆小车相向而行，无论速度如何，有无遮挡，视频的语义就是两辆小车相向行驶。

总的来说，几何深度学习既能使卷积网络更加稳定，也能更好地面对复杂度爆炸的拟合函数。

其他热门提名

除了几何深度学习这个大热门，还有不少我们熟悉的方法也进入了提名。

比如，在在评论区中被提及的次数最多的民推之子—— 自监督学习。

监督学习是目前机器学习领域主流的方法，而自监督学习作为一种新的学习方法，利用输入数据本身作为监督信号，从未标记的数据中学习信息表示，几乎有利于所有不同类型的下游任务。更进一步，很多公司起步时往往发现数据是不够的，而数据是机器学习的燃料，这时候该怎么办？吴恩达提出，“我的典型建议是直接进入并开始使用小数据集做一些事情，然后通常会收集到更多数据。

在图像分类，语言翻译等诸多 CV 和 NLP 领域都是随处可见，LeCun 也一直十分推崇这种研究方向。

LeCun2018 年演讲

也有人认为表征学习和可解释性越来越受到关注。

他首先解释道，提名表征学习是因为理论深度学习领域似乎正在经历一个从规范问题到更抽象问题的转变:

比如什么才是好的表示表示的哪些属性是重要的如何用数学的方式定义这个概念我们如何执行它们

可解释性与表征学习也有一定关系:如果能够理解什么是好的表现，能够在它上面强加属性，那么它就更具有可解释性。

还有提名检索，应用于强化学习上的迁移学习，多模态以及大规模语言模型上的偏好学习的:

其中的检索指的是从外部数据集中检索信息，就像是 deepmind 近期的这项实验一样。”。

这位帖主还提到，也可以利用检索来补救长尾问题。我发现对于许多实际应用程序而言，与以模型为中心的方法(您持有数据修复并尝试改进代码)相比，持有代码修复并迭代改进数据更有用。这是Mops(机器学习操作，MachineLearningOperations)的新生部分，我认为目前还没有人真正拥有出色的工具。

有意思的是，评论区有位提名量子机器学习的，引来了一位搞物理的，真诚向搞 AI 的发问:

这玩意儿是真的有用，还是只是民科。

其实在 2017 年时，图灵奖得主姚期智就在一次演讲时说过如果能够把量子计算和 AI 放在一起，我们可能做出连大自然都没有想到的事情。

这是一个量子计算和机器学习交叉的的跨学科技术领域，借助于量子特性开发高性能的量子机器学习算法，从而加快或拓宽人工智能的应用场景。

不过目前还没有影响广泛的应用出现，因此楼主谨慎地回复:不了解，不过好多人说这是机器学习的最新趋势来着。.

评论区中，我们熟悉的扩散模型，联邦学习，差分算法，元学习也都有人提及。

等到了今年年底的时候，我们可以再挖坟，看看是不是真的有提名中了奖。

参考链接:

声明：本网转发此文章，旨在为读者提供更多信息资讯，所涉内容不构成投资、消费建议。文章事实如有疑问，请与有关方核实，文章观点非本网观点，仅供读者参考。