从28303篇论文看机器学习领域的发展变化

授权转载自 | 数据派THU(DatapiTHU)

作者 | Andrej Karpathy

翻译 | 贾琳  校对 | 闵黎

OpenAI是由诸多硅谷大亨联合建立的人工智能非盈利组织，目的是预防人工智能的灾难性影响，促使人工智能发挥积极作用。本文由OpenAI的研究人员Andrej Karpathy撰写，主要陈述了他通过分析机器学习论文数据库arxiv-sanity里面的28303篇论文里面的高频关键词所发现的有趣的结论。

你是否用过谷歌趋势（Google Trends）（https://trends.google.com/trends/?cat=）呢？它的功能很酷：只需要输入关键词，就可以看到该词的搜索量随时间变化的情况。这个产品在一定程度上启发了我，恰巧我有在过去五年中发表在（arxiv）机器学习论文数据库（http://arxiv-sanity.com/）上的28303篇论文，所以我想，为什么不研究一下该领域发展变化的情况呢？研究结果相当有趣，所以我决定跟大家分享一下。

（注：机器学习是一个包罗万象的领域，本文中相当长的篇幅是对深度学习领域的研究，这也是我最为熟悉的领域）

让我们先来看看提交到arxiv-sanity的所有分类（cs.AI, cs.LG, cs.CV, cs.CL, cs.NE, stat.ML）下的论文总数随时间变化的趋势，如下图所示：

没错，峰值位于2017年3月，这个月这些领域有近2000篇论文提交。这一峰值很可能是某些会议的截稿日期（例如NIPS/ICML）造成的。由于并不是所有人都会将他们的论文上传至arxiv，而且上传比例也在随时间变化而变化，所提交的论文数量并不能完全体现机器学习这一领域的研究规模。不过可以看到，有大量的论文为人所注意、浏览或者阅读。

接下来，我们用这一数字作为分母，看看多少文章包含我们感兴趣的关键词。

首先，我们关心的是深度学习框架的使用情况。如果在文中任何地方有提到深度学习框架，包括参考书目，都会被记录在案。下图是在2017年3月提交的论文中提到深度学习框架的情况：

可见2017年3月提交的论文中有约10%提到了TensorFlow。当然不是每篇文章都会写出他们所用的框架，不过如果我们假定提及与否和框架类型无关（即说明框架的文章有相对确定的使用比例）的话，可以推断出该社区大约有40%的用户正在使用TensorFlow（如果算上带TensorFlow后端的Keras框架，数量会更多）。下图是一些常用框架随时间变化的趋势图：

我们可以看到，Theano在很长时间占据主流，后来不再流行；2014年Caffe的发展势头强劲，不过在最近几个月内被TensorFlow取代；Torch（和最近的PyTorch）同样在缓慢稳步发展。它们未来发展的状况会是怎样呢？这是一个有趣的话题，个人认为Caffe和Theano会继续下降，TensorFlow的发展速度则会因为PyTorch的竞争而放缓。

常用的ConvNet模型的使用情况又是怎样呢？我们可以在下图看到，ResNets模型异军突起，该模型出现在去年3月发表的9%的论文中。

另外，我很好奇在InceptionNet出现之前有谁在讨论inception呢？

优化算法方面，Adam一枝独秀，在所有论文中的出现率高达23%！其真正的使用率很难统计，估计会比23%更高，因为很多论文并没有写出他们所使用的优化算法，况且很多关于神经网络的研究并不使用任何此类算法。然而也有可能要下调5%，因为这个词也非常可能是指代作者的名字，而Adam优化算法在2014年12月才被提出。

我关注的另一指标是论文中提及深度学习领域的研究专家的次数（这与引用次数有些类似，但是前者能更好的用0/1指标表达，且能根据文章总数进行标准化）：

需要注意的是：35%的文章提到了“bengio”，但是学界有两个叫Bengio的专家，分别是Samy Bengio和Yoshua Bengio，图中显示的是两者总和。特别地，Geoff Hinton在30%的最新论文中也被提到，这是一个很高的比例。

最后，本文没有针对关键词进行手动分类，而是关注了论文中最热门和最不热门的关键词 。

定义最热关键词的方法有很多，本文使用的方法如下：对于在所有论文中出现的一元分词和二元分词，分别计算出去年和去年以前该词的使用次数，并用二者相除得到的比例做排名。排名靠前的关键词是那些一年前影响有限、但是最近一年出现频率极高的词汇，如下表所示（该表是删除重复词以后的结果）：

举例来说，ResNet的比例是8.17，该词在一年之前（2016年3月）只在1.044%的论文中出现，但上个月8.53%的论文中都有这个关键词，所以我们有8.53 / 1.044 ~= 8.17的比例。

所以可以看到，在过去一年流行起来的核心技术有：1) ResNets, 2) GANs, 3) Adam, 4) 批规范化（BatchNorm）。

关于研究方向，最火的关键词分别是1)风格转换（Style Transfer）, 2) 深度强化学习, 3) 神经网络机器翻译(“nmt”)，或许还有 4)图像生成。

整体构架方面，最流行的是1) 全卷积网络(FCN), 2) LSTMs/GRUs, 3) Siamese网络, 和4) 编码－解码器网络。

 相反的，过去一年不再流行的关键词有哪些呢？如下表所示：

我并不确定“fractal”的含义，不过大体上看，贝叶斯非参数统计似乎不那么流行了。

 所以，是时候提交应用全卷积网络、编码-解码器、批规范化、ResNet、Gan来做风格转换，用Adam来优化你的论文了。嘿，这听起来也不是很离谱嘛：）