【计算机科学】【2020.03】非传统领域的深度学习

本文为美国加州理工学院（作者：Milan Cvitkovic）的博士论文，共128页。

近年来，由于深度学习（LeCun、Bengio和Hinton，2015）的进步，机器学习方法得到了极大的改进，这是一套用于训练高维、高参数化、非线性函数的方法。然而，深度学习的进展主要集中在计算机视觉、基于视觉的强化学习和自然语言处理等领域。本文试图将深度学习扩展到迄今为止影响甚微或从未应用的领域，在源代码分析、关系数据库和表格数据领域给出了新的深度学习算法和最新的任务结果。

Machine learning methods have dramaticallyimproved in recent years thanks to advances in deep learning (LeCun, Bengio,and Hinton, 2015), a set of methods for training high-dimensional,highly-parameterized, nonlinear functions. Yet deep learning progress has beenconcentrated in the domains of computer vision, visionbased reinforcementlearning, and natural language processing. This dissertation is an attempt toextend deep learning into domains where it has thus far had little impact orhas never been applied. It presents new deep learning algorithms andstate-of-the-art results on tasks in the domains of source-code analysis,relational databases, and tabular data.

1. 引言
2. 东非科技界对机器学习研究的几点要求
3. 基于图结构缓存的源代码开放式词汇学习
4. 基于图神经网络的关系数据库有监督学习（1）
5. 表格数据深度学习的优缺点
6. 最小可实现的充分统计学习：解决信息瓶颈问题
7. 基于图神经网络的关系数据库有监督学习（2）

更多精彩文章请关注公众号：