一份AI领域研究的经典论文清单

一份AI领域研究的经典论文清单

随着生成式 AI 模型掀起新一轮 AI 浪潮，越来越多的行业迎来技术变革。许多行业从业者、基础科学研究者需要快速了解 AI 领域发展现状、掌握必要的基础知识。

而在转行 AI 的过程中，研究「论文」一定是最不可缺少的一环。

传奇程序员、3D 游戏之父，id Software 联合创始人 John Carmack 在 2020 年想转行 AGI 时，前 OpenAI 联合创始人兼首席科学家 Ilya Sutskever 给他写了一份 AI 领域研究的论文清单。

这份清单被 50 多万人浏览过，网友称：Ilya 认为掌握了这些内容，你就了解了当前（人工智能领域） 90% 的重要内容。甚至有人表示它是 OpenAI 入职培训内容的一部分。

与此同时，一个名为 Taro Langner 的贡献者对清单做了补充，还指出了一些必须注意的额外内容，包括 Yann LeCun等重要 AI 学者的工作，以及关于 U-Net、YOLO 目标检测、GAN、WaveNet、Word2Vec 等技术的论文。

Datawahle 将完整的论文清单整理如下：

完整论文清单

卷积神经网络：

• 《ImageNet Classification with Deep Neural Networks》

  论文地址：https://proceedings.neurips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf

• 《CS231n Convolutional Neural Networks for Visual Recognition》

  论文地址：https://cs231n.github.io/

• 《Deep Residual Learning for Image Recognition》

  论文地址：https://arxiv.org/pdf/1512.03385

• 《Identity Mappings in Deep Residual Networks》

  论文地址：https://arxiv.org/pdf/1603.05027

• 《Multi-Scale Context Aggregation by Dilated Convolutions》

  论文地址：https://arxiv.org/pdf/1511.07122

循环神经网络: 

• 《The Unreasonable Effectiveness of Recurrent Neural Networks》

  论文地址：https://karpathy.github.io/2015/05/21/rnn-effectiveness/

• 《Understanding LSTM Networks》

  论文地址：https://colah.github.io/posts/2015-08-Understanding-LSTMs/

• 《Recurrent Neural Network Regularization》

  论文地址：https://arxiv.org/pdf/1409.2329

• 《Pointer Networks》

  论文地址：https://arxiv.org/pdf/1506.03134

• 《Relational Recurrent Neural Networks》

  论文地址：https://arxiv.org/pdf/1806.01822

• 《Neural Turing Machines》

  论文地址：https://arxiv.org/pdf/1410.5401

• 《Deep Speech 2: End-to-End Speech Recognition in English and Mandarin》

  论文地址：https://arxiv.org/pdf/1512.02595

• 《Order Matters: Sequence to Sequence for Sets》

  论文地址：https://arxiv.org/pdf/1511.06391

• 《Neural Machine Translation by Jointly Learning to Align and Translate》

  论文地址：https://arxiv.org/pdf/1409.0473

• 《A Simple Neural Network Module for Relational Reasoning》

  论文地址：https://arxiv.org/pdf/1706.01427

Transformers: 

• 《Attention Is All You Need》

  论文地址：https://arxiv.org/pdf/1706.03762

• 《The Annotated Transformer》

  论文地址：https://nlp.seas.harvard.edu/annotated-transformer/

• 《Scaling Laws for Neural Language Models》

  论文地址：https://arxiv.org/pdf/2001.08361

信息论: 

• 《The First Law of Complexodynamics》

  论文地址：https://scottaaronson.blog/?p=762

• 《Keeping Neural Networks Simple by Minimizing the Description Length of the Weights》

  论文地址：https://www.cs.toronto.edu/~hinton/absps/colt93.pdf

• 《A Tutorial Introduction to the Minimum Description Length Principle》

  论文地址：https://arxiv.org/pdf/math/0406077

• 《Kolmogorov Complexity and Algorithmic Randomness》

  论文地址：https://www.lirmm.fr/~ashen/kolmbook-eng-scan.pdf

• 《Quantifying the Rise and Fall of Complexity in Closed Systems: The Coffee Automaton》

  论文地址：https://arxiv.org/pdf/1405.6903

其他项: 

• 《GPipe: Efficient Training of Giant Neural Networks using Pipeline Parallelism》

  论文地址：https://arxiv.org/pdf/1811.06965

• 《Variational Lossy Autoencoder》

  论文地址：https://arxiv.org/pdf/1611.02731

• 《Neural Quantum Chemistry》

  论文地址：https://arxiv.org/pdf/1704.01212

• 《Machine Super Intelligence》

  论文地址：https://www.vetta.org/documents/Machine_Super_Intelligence.pdf

元学习：

• 《Meta-Learning with Memory-Augmented Neural Networks》

  论文地址：https://proceedings.mlr.press/v48/santoro16.pdf

• 《Prototypical Networks for Few-shot Learning》

  论文地址：https://arxiv.org/abs/1703.05175

• 《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》

  论文地址：https://proceedings.mlr.press/v70/finn17a/finn17a.pdf

强化学习：

• 《Human-level concept learning through probabilistic program induction》

  论文地址：https://amygdala.psychdept.arizona.edu/labspace/JclubLabMeetings/Lijuan-Science-2015-Lake-1332-8.pdf

• 《Neural Architecture Search with Reinforcement Learning》

  论文地址：https://arxiv.org/pdf/1611.01578

• 《A Simple Neural Attentive Meta-Learner》

  论文地址：https://arxiv.org/pdf/1707.03141

自我博弈：

• 《Hindsight Experience Replay》

  论文地址：https://arxiv.org/abs/1707.01495

• 《Continuous control with deep reinforcement learning》

  论文地址：https://arxiv.org/abs/1509.02971

• 《Sim-to-Real Transfer of Robotic Control with Dynamics Randomization》

  论文地址：https://arxiv.org/abs/1710.06537

• 《Meta Learning Shared Hierarchies》

  论文地址：https://arxiv.org/abs/1710.09767

• 《Temporal Difference Learning and TD-Gammon ，1995》

  论文地址：https://www.csd.uwo.ca/~xling/cs346a/extra/tdgammon.pdf

• 《Karl Sims - Evolved Virtual Creatures, Evolution Simulation, 1994》

  论文地址：https://dl.acm.org/doi/10.1145/192161.192167

• 《Emergent Complexity via Multi-Agent Competition》

  论文地址：https://arxiv.org/abs/1710.03748

• 《Deep reinforcement learning from human preferences》

  论文地址：https://arxiv.org/abs/1706.03741

额外补充：

• Yann LeCun 等人的工作，他在 CNN 的实际应用方面做出了开创性的工作 ——《Gradient-based learning applied to document recognition》

    论文地址：https://www.cs.princeton.edu/courses/archive/spr08/cos598B/Lectures/LeCunEtAl.pdf

• Ian Goodfellow 等人的工作，他在生成对抗网络（GAN）方面的工作长期主导了图像生成领域 ——《Generative Adversarial Networks》

  论文地址：https://arxiv.org/pdf/1406.2661

• Demis Hassabis 等人的工作，他在 AlphaFold 方面的强化学习研究获得了诺贝尔奖 ——《Human-level control through deep reinforcement learning》、《AlphaFold at CASP13》

  论文地址：https://storage.googleapis.com/deepmind-media/dqn/DQNNaturePaper.pdf

参考内容：

https://tensorlabbet.com/2024/11/11/lost-reading-items/

https://www.reddit.com/r/MachineLearning/comments/1grti0x/d_the_lost_reading_items_of_ilya_sutskevers_ai/