今日3篇必讀論文，英偉達GAN神作、自編碼器綜述及擬人機器人系統
論文標題：A Style-Based Generator Architecture for Generative Adversarial Networks
英偉達再出GAN神作！逼真的風格遷移人臉生成器
作者：Tero Karras, Samuli Laine, Timo Aila
論文摘要：GAN 自 2014 年提出以來得到了廣泛應用。前不久效果令人震驚的 ICLR 2019 論文 BigGAN 引發了眾多關注。去年英偉達投稿 ICLR 2018 的論文《Progressive Growing of GANs for Improved Quality, Stability, and Variation》效果也很驚艷。此次 PGGAN 的作者再發論文，效果更加真實。這款新型 GAN 生成器架構借鑒了風格遷移研究，可對高級屬性（如姿勢、身份）進行自動學習和無監督分割，且生成圖像還具備隨機變化（如雀斑、頭髮）。該架構可以對圖像合成進行直觀、多尺度的控制，在傳統的分布質量指標上達到了當前最優，展示了更好的插值屬性，並且能夠更好地將潛在的變差因素解糾纏。
原文鏈接：https://www.jiqizhixin.com/articles/2018-12-14-6
論文標題：Recent Advances in Autoencoder-Based Representation Learning
NeurIPS 2018 workshop：自編碼器綜述
作者：Michael Tschannen，Olivier Bachem，Mario Lucic
論文摘要：在很少或沒有監督的情況下學習有用的表徵是人工智慧的關鍵挑戰。研究者對錶征學習的最新進展進行了概述，重點是基於自編碼器的模型。研究者在本文中重點關注自編碼器的幾個特性，認為其對下游任務有用，例如解纏和特徵的層級結構。特別地，研究者揭示了強制賦予這些屬性的三種主要機制，即（i）使（近似的或聚合的）後驗分布正則化；（ii）分解編碼和解碼分布；或（iii）引入結構化的先驗分布。雖然已有一些有希望的結果，但隱性或顯性監督仍然是一個關鍵推動因素，所有現有方法都使用強誘導偏置和建模假設。最後，研究者通過速率 - 失真理論的角度對基於自編碼器的表徵學習進行分析，並確定了下游任務的可用先驗知識量與該表徵在該任務中的有用程度之間的明確權衡。
原文鏈接：https://arxiv.org/abs/1812.05069
論文標題：Beyond imitation: Zero-shot task transfer on robots by learning concepts as cognitive programs
通過概念學習實現任務遷移的擬人機器人系統
作者：Miguel Lazaro-Gredilla，Dianhuan Lin，J. Swaroop Guntupalli，Dileep George
論文摘要：人類可以從圖像對中推斷出概念，並將它們應用於物理世界中完全不同的設置，從而可以在圖表中完成IKEA組裝等任務。如果機器人可以表示和推斷高級概念，理解人類意圖和在不同環境之間遷移任務的能力將顯著提高。為此，Vicarious AI的研究者引入了一個模仿人類概念學習的計算框架。概念被表示為由視覺感知系統、工作記憶和動作控制器組成的計算機體系結構上的程序。該認知計算機的指令集具有用於解析視覺場景、引導注視和注意力、想像新目標、操縱視覺工作記憶的內容以及控制手臂運動的命令。推斷概念對應于歸納可以將輸入轉換為輸出的程序。一些概念的推斷需要使用想像力和遞歸。學過的概念可以簡化後續更精細概念的學習，並創建抽象層次結構。研究者演示了機器人如何使用這些抽象來解釋示意圖像呈現給它的新概念，然後在截然不同的情況下應用這些概念。
原文鏈接：https://arxiv.org/pdf/1812.02788.pdf
