2021年深度學(xué)習(xí)哪些方向比較新穎，處于上升期或者朝陽階段，比較有研究潛力？
點(diǎn)擊下方“AI算法與圖像處理”，一起進(jìn)步！
重磅干貨，第一時(shí)間送達(dá)
導(dǎo)讀
?深度學(xué)習(xí)成為近些年來較為熱門的領(lǐng)域，算法工程師這一崗位也變得越發(fā)的搶手，盡管已經(jīng)踏入了這一領(lǐng)域但對(duì)整體的大環(huán)境其實(shí)是還不能夠準(zhǔn)確的把握。從研究方向去看，2021年的深度學(xué)習(xí)還有哪些方向還是一片藍(lán)海或者比較有研究的潛力呢？本文匯總了知乎三位答主的精華回答，希望能給大家?guī)韼椭?span style="max-width: 100%;caret-color: rgb(0, 0, 0);text-size-adjust: auto;overflow-wrap: break-word !important;box-sizing: border-box !important;">
原問題鏈接：https://www.zhihu.com/question/460500204
#?回答一
作者：Zhifeng
來源鏈接：https://www.zhihu.com/question/460500204/answer/1902459141
回答幾個(gè)我最近在研究的方向～ 我主要在做生成模型，不過亂七八糟的也有涉獵
可解釋性：feature-based研究的很多了，instance-based個(gè)人感覺在上升期，從研究的角度來說缺乏benchmark/axiom/sanity check. 主流方法是influence function, 我覺得這里面self influence的概念非常有趣，應(yīng)該很值得研究。當(dāng)然，更意思的方向是跳出influence function本身，比如像relatIF 加一些regularization，也是水文章的一貫套路(relatIF是好文章)。
Influence function for generative models也是很值得做的。Influence function for GAN已經(jīng)有人做了，雖然文章直接優(yōu)化FID是有點(diǎn)問題的，但是框架搭好了，換一個(gè)evaluation換個(gè)setting就可以直接發(fā)paper。
我最近寫了Influence function for VAE, 有不少比較有意思的observation (paper: https://arxiv.org/pdf/2105.14203.pdf; code repo: VAE-TracIn-pytorch)。
----------分割線----------
無監(jiān)督生成學(xué)習(xí)：最近的denoising diffusion probabilistic model(DDPM)絕對(duì)是熱坑，效果好，但是速度慢沒有meaningful latent space限制了很多應(yīng)用，有待發(fā)掘。我去年實(shí)習(xí)寫了一篇DiffWave是這個(gè)方法在語音上的應(yīng)用，效果很好，最近應(yīng)該能看到這個(gè)模型的application井噴，比如3D point cloud生成。
DDPM的加速最近已經(jīng)有不少paper了，目前來看有幾類，有的用conditioned on noise level去重新訓(xùn)練，有的用jumping step縮短Markov Chain，有的在DDPM++里面研究更快的solver. 我最近寫了FastDPM, 是一種結(jié)合noise level和jumping step的快速生成的框架(無需retrain, original DDPM checkpoint拿來直接用)，統(tǒng)一并推廣了目前的好幾種方法，給出了不同任務(wù)(圖像, 語音)的recipe (paper: https//arxiv.org/pdf/2106.00132.pdf; code repo: FastDPM_pytorch)。
生成模型里的Normalizing flow模型，用可逆網(wǎng)絡(luò)轉(zhuǎn)化數(shù)據(jù)分布，很fancy 能提供likelihood和比較好的解釋性但是效果偏偏做不上去，一方面需要在理論上有補(bǔ)充，因?yàn)榭赡婊蛘週ipschitz網(wǎng)絡(luò)的capacity確實(shí)有限。另一方面，實(shí)際應(yīng)用中，training不穩(wěn)定可能是效果上不去的原因，其中initialization 和training landscape都是有待研究的問題。潛在的突破口：augmented dimension或者類似surVAE那種generalized mapping. 除此之外，normalizing flow on discrete domain也是很重要的問題，潛在突破口是用OT里面的sinkhorn network。
我對(duì)residual flow這個(gè)模型有執(zhí)念，很喜歡這個(gè)框架，雖然它不火。今年早些時(shí)候我寫了residual flow的universal approximation in MMD的證明，很難做，需要比較特殊的假設(shè) (paper: https://arxiv.org/pdf/2103.05793.pdf)。之后可能繼續(xù)鉆研它的capacity和learnability。
再補(bǔ)充一個(gè)：
生成模型的overfitting是一個(gè)長久的問題，但是本身很難定義，很大一個(gè)原因是mode collapse和copy training data耦合在一起。我們組去年發(fā)表了data-copying test用于檢測(cè)相關(guān)性質(zhì)，不過這個(gè)idea還停留在比較初級(jí)的階段，我覺得這一塊需要更多high level的框架。
----------分割線----------
Meta learning + generative model方向個(gè)人十分看好，meta learning 框架可以直接套，loss改成生成模型的loss就可以了。Again, GAN已經(jīng)被做了，不過GAN的paper那么多，隨便找上一個(gè)加上meta learning還是很容易的。類似可以做multitask + GAN。
#?回答二
作者：謝凌曦
來源鏈接：https://www.zhihu.com/question/460500204/answer/1930151239
所有內(nèi)容均只代表作者本人觀點(diǎn)，均有可能被推翻，二次轉(zhuǎn)載務(wù)必連同聲明一起轉(zhuǎn)載。
我的主要研究方向是計(jì)算機(jī)視覺，所以本文也會(huì)比較偏重CV方向。
1. 不適合的研究方向
首先我要反對(duì)兩個(gè)方向：對(duì)比學(xué)習(xí)為代表的自監(jiān)督學(xué)習(xí)算法（包括BYOL等）和Transformer。它們的上限幾乎是肉眼可見的，在沒有非平凡的改進(jìn)之前，很難有本質(zhì)上的突破。在大量研究者投入精力的情況下，只要沒有持續(xù)的產(chǎn)出，就必然會(huì)導(dǎo)致其加速衰落。前些年盛極一時(shí)的網(wǎng)絡(luò)架構(gòu)搜索（NAS）就是一個(gè)非常典型的例子。
我們首先分析NAS、對(duì)比學(xué)習(xí)、Transformer的局限性：
原本以NAS為代表的AutoML技術(shù)受到了廣泛的期待，我還主張“自動(dòng)機(jī)器學(xué)習(xí)之于深度學(xué)習(xí)，就好比深度學(xué)習(xí)之于傳統(tǒng)方法”，不過后來發(fā)現(xiàn)它的缺陷是明顯的。在搜索空間指數(shù)級(jí)擴(kuò)大之后，算法就必須在精度和速度之間做出選擇。后來盛行的權(quán)重共享類搜索方法，相當(dāng)于追求搜索空間中的平攤精度，而平攤精度與最佳個(gè)體的精度往往并不吻合。
對(duì)比學(xué)習(xí)被廣泛引入圖像領(lǐng)域作為自監(jiān)督任務(wù)以后，前世代的自監(jiān)督算法（如預(yù)測(cè)旋轉(zhuǎn)、拼圖、上色等）紛紛被吊打，甚至開始在下游任務(wù)中超越有監(jiān)督訓(xùn)練的模型。然而，當(dāng)前的對(duì)比學(xué)習(xí)類方法（包括BYOL）對(duì)于數(shù)據(jù)擴(kuò)增（data augmentation）的依賴過重，因而不可避免地陷入了invariance和consistency之間的矛盾：強(qiáng)力的augmentation能夠促進(jìn)學(xué)習(xí)效果，但是如果augmentation過強(qiáng)，不同view之間的可預(yù)測(cè)性又無法保證。
至于Transformer，雖然目前還處在比較興盛的狀態(tài)，然而它的上限也是明顯的。除了更快的信息交換，似乎這種模型并沒有體現(xiàn)出顯著的優(yōu)勢(shì)。問題是：CV任務(wù)真的需要頻繁而快速的視覺信息交換嗎？遺憾的是，學(xué)界依然沉浸在“先將所有任務(wù)用Transformer刷一遍”的廉價(jià)快樂中，鮮有人愿意思考一些更深入的問題。
因此，我特別希望初學(xué)者不要看到一個(gè)熱門方向就一擁而上，而要冷靜地思考這個(gè)問題：如果全世界都知道這個(gè)方向火熱，那么你的研究要想脫穎而出，就必然有某些過人之處——比如你有特別多的卡，或者你有豐富的PR資源。否則，很可能還是捧紅了別人的文章，浪費(fèi)了自己的時(shí)間。
2. 應(yīng)該關(guān)注的方向（但未必能夠保證產(chǎn)出）
我認(rèn)為CV領(lǐng)域還是存在很多本質(zhì)問題沒有解決的。但是這些問題往往非常困難，投入長期研究的風(fēng)險(xiǎn)也比較大，因而大部分研究者會(huì)回避這些問題。然而要從根源上推進(jìn)CV的發(fā)展，這些問題就不得不去面對(duì)、解決：
是否存在神經(jīng)網(wǎng)絡(luò)之外的推理方式？當(dāng)前，神經(jīng)網(wǎng)絡(luò)成為訓(xùn)練以后的唯一產(chǎn)物，而幾乎所有算法均假設(shè)將輸入送給神經(jīng)網(wǎng)絡(luò)以后，一次性地得到輸出結(jié)果。然而，是否能夠設(shè)計(jì)直接向前傳遞以外的其他推理方式？例如，當(dāng)一個(gè)物體處于罕見的視角或者被嚴(yán)重遮擋時(shí)，能否通過多次迭代式的處理，逐漸恢復(fù)其缺失的特征，最終完成識(shí)別任務(wù)？這就涉及到將強(qiáng)化學(xué)習(xí)引入訓(xùn)練，或者通過類似于image warping的方式找到一條困難樣例和簡(jiǎn)單樣例之間的路徑。后者可以導(dǎo)向一個(gè)非常本質(zhì)的問題：如何以盡可能低的維度刻畫語義空間？GAN以及相關(guān)的方法或許能夠提供一些思路，但是目前還沒有通用的、能夠輕易跨越不同domain的方法。
是否存在更精細(xì)的標(biāo)注方式，能夠推進(jìn)視覺的理解？我最近提出了一個(gè)假想：當(dāng)前所有的視覺識(shí)別算法都遠(yuǎn)遠(yuǎn)沒有達(dá)到完整，而這很可能是當(dāng)前不夠精細(xì)的標(biāo)注所導(dǎo)致的。那么，是否能夠在可行的范圍內(nèi)，定義一種超越instance segmentation的標(biāo)注方式，進(jìn)一步推進(jìn)視覺識(shí)別？這就涉及到一系列根本問題：什么是一個(gè)物體？如何定義一個(gè)物體？物體和部件之間有什么聯(lián)系？這些問題不得到解決，物體檢測(cè)和分割將步圖像分類的后塵，迅速陷入過擬合的困境。
如何解決大模型和小樣本之間的矛盾？當(dāng)前，大模型成為AI領(lǐng)域頗有前景的規(guī)模化解決方案。然而，大模型的本質(zhì)在于，通過預(yù)訓(xùn)練階段大量吸收數(shù)據(jù)（有標(biāo)簽或者無標(biāo)簽均可），緩解下游小樣本學(xué)習(xí)的壓力。這就帶來了一個(gè)新的矛盾：大模型看到的數(shù)據(jù)越多，模型就越需要適應(yīng)一個(gè)廣泛而分散的數(shù)據(jù)分布，因而通過小樣本進(jìn)行局部擬合的難度就越大。這很可能是制約大模型思路落地的一個(gè)瓶頸。
能否通過各種方式生成接近真實(shí)的數(shù)據(jù)？生成數(shù)據(jù)（包括虛擬場(chǎng)景或者GAN生成的數(shù)據(jù)）很可能會(huì)帶來新的學(xué)習(xí)范式，然而這些數(shù)據(jù)和真實(shí)數(shù)據(jù)之間存在一種難以逾越的domain gap，制約了其在識(shí)別任務(wù)中發(fā)揮作用。我們提出問題：這種domain gap，本質(zhì)上是不是特定的識(shí)別任務(wù)帶來的learning bias？我們希望通過改變學(xué)習(xí)目標(biāo)，使得這種domain gap得到緩解甚至消失，從而能夠在有朝一日消滅人工標(biāo)注，真正開啟新的學(xué)習(xí)范式。
是否存在更高效的人機(jī)交互模式？目前，人機(jī)之間的交互效率還很低，我就經(jīng)常因?yàn)闉樽鯬PT而頭疼不已。我認(rèn)為AI算法或許會(huì)深刻地改變?nèi)藱C(jī)交互的模式，使得以下場(chǎng)景變得更容易：多媒體內(nèi)容設(shè)計(jì)和排版、跨模態(tài)信息檢索、游戲微操作，等等。多模態(tài)算法很可能會(huì)在這波“人機(jī)交互革命”中發(fā)揮重要作用。
在我看來，上述任何一個(gè)問題，相比于無止境的燒卡刷點(diǎn)，都要有趣且接近本質(zhì)，但是風(fēng)險(xiǎn)也要更大一些。因此，大部分研究人員迫于現(xiàn)實(shí)壓力而選擇跟風(fēng)，是再正常不過的事情。只要有人在認(rèn)真思考這些問題并且穩(wěn)步推進(jìn)它們，AI就不是一個(gè)遙不可及的夢(mèng)。
限于時(shí)間，無法將上述每個(gè)點(diǎn)寫得太仔細(xì)；同時(shí)限于水平和視野，我也無法囊括所有重要的問題（如可解釋性——雖然我對(duì)深度學(xué)習(xí)的可解釋性感到悲觀，不過看到有學(xué)者在這個(gè)領(lǐng)域深耕，還是能夠感覺到勇氣和希望）。
非常歡迎針對(duì)各種問題的討論，也希望這些觀點(diǎn)能夠引發(fā)更多的思考吧。
#?回答三
作者：陀飛輪
來源鏈接：https://www.zhihu.com/question/460500204/answer/1902640999
先寫兩個(gè)最近火熱我比較看好的方向Transformer和Self-Supervised，我這里舉的例子傾向于計(jì)算機(jī)視覺方向。最后再補(bǔ)充Zero-Shot和多模態(tài)兩個(gè)方向。
1.Transformer
自從去年DETR和ViT出來之后，計(jì)算機(jī)視覺領(lǐng)域掀起了Transformer狂潮。目前可以做的主要有兩個(gè)路徑，一個(gè)是魔改DETR和ViT，另一個(gè)是不同task遷移算法。
魔改DETR和ViT的方法，無非是引入local和hierarchical，或者魔改算子。
不同task遷移算法主要是探究如何針對(duì)不同的task做適配設(shè)計(jì)。
其中魔改DETR的可以參考以下工作：
[Deformable DETR] [TSP-FCOS/TSP-RCNN] [UP-DETR] [SMCA] [Meta-DETR] [DA-DETR]
其中魔改ViT的可以參考以下工作：
魔改算子：
[LambdaResNets] [DeiT] [VTs] [So-ViT] [LeViT] [CrossViT] [DeepViT] [TNT] [T2T-ViT]
[BoTNet] [Visformer]
引入local或者h(yuǎn)ierarchical：
[PVT] [FPT] [PiT] [LocalViT] [SwinT] [MViT] [Twins]
Swin Transformer對(duì)CNN的降維打擊
引入卷積:
[CPVT] [CvT] [ConViT] [CeiT] [CoaT] [ConTNet]
不同task遷移算法的可以參考以下工作：
ViT+Seg [SETR] [TransUNet] [DPT] [U-Transformer]
ViT+Det [ViT-FRCNN] [ACT]
ViT+SOT [TransT] [TMT]
ViT+MOT [TransTrack] [TrackFormer] [TransCenter]
ViT+Video [STTN] [VisTR] [VidTr] [ViViT] [TimeSformer] [VTN]
ViT+GAN [TransGAN] [AOT-GAN] [GANsformer]
ViT+3D [Group-Free] [Pointformer] [PCT] [PointTransformer] [DTNet] [MLMSPT]
以上幾個(gè)task是重災(zāi)區(qū)（重災(zāi)區(qū)的意思是聽我一句勸，你把握不住）
ViT+Multimodal [Fast and Slow] [VATT]
ViT+Pose [TransPose] [TFPose]
ViT+SR [TTSR]
ViT+Crowd [TransCrowd]
ViT+NAS [BossNAS]
ViT+ReID [TransReID]
ViT+Face [FaceT]
想一想算子怎么魔改，或者還有什么task沒有做的
2.Self-Supervised
Self-Supervised自從何愷明做出MoCo以來再度火熱，目前仍然是最為火熱的方向之一。目前可以做的主要有三個(gè)路徑，一個(gè)是探索退化解的充要條件，一個(gè)是Self-Supervised+Transformer探索上限，還有一個(gè)是探索非對(duì)比學(xué)習(xí)的方法。
探索退化解的充要條件主要是探索無negative pair的時(shí)候，避免退化解的最優(yōu)方案是什么。
[SimCLR] [BYOL] [SwAV] [SimSiam] [Twins]
Self-Supervised+Transformer是MoCov3首次提出的，NLP領(lǐng)域強(qiáng)大的預(yù)訓(xùn)練模型(BERT和GPT-3)都是Transformer架構(gòu)的，CV可以嘗試去復(fù)制NLP的路徑，探究Self-Supervised+Transformer的上限。
[MoCov1] [MoCov2] [MoCov3] [SiT]
探索非對(duì)比學(xué)習(xí)的方法就是要設(shè)計(jì)合適的proxy task。
基于上下文 [Unsupervised Visual Representation Learning by Context Prediction] [Unsupervised Representation Learning by Predicting Image Rotations] [Self-supervised Label Augmentation via Input Transformations]
基于時(shí)序 [Time-Contrastive Networks: Self-Supervised Learning from Video] [Unsupervised Learning of Visual Representations using Videos]
剛寫了基于時(shí)序，何愷明和Ross Girshick就搞了個(gè)時(shí)序的
A Large-Scale Study on Unsupervised Spatiotemporal Representation Learning
3. Zero-Shot
最近因?yàn)镃LIP的出現(xiàn)，Zero-Shot可能會(huì)引起一波熱潮，ViLD將CLIP成功應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域，相信未來會(huì)有越來越多的基于CLIP的Zero-Shot方法。
4. 多模態(tài)
最近的ViLT結(jié)合了BERT和ViT來做多模態(tài)，并且通過增加標(biāo)志位來巧妙的區(qū)分不同模態(tài)，感覺是一個(gè)非常好的做多模態(tài)的思路，相信未來會(huì)有更強(qiáng)大的多模態(tài)出現(xiàn)。
至于最近火熱的MLP架構(gòu)，極其不推薦，很沙雕
最后，適當(dāng)灌水，有能力還是要做有影響力的工作。
交流群
歡迎加入公眾號(hào)讀者群一起和同行交流，目前有美顏、三維視覺、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群
個(gè)人微信（如果沒有備注不拉群！） 請(qǐng)注明：地區(qū)+學(xué)校/企業(yè)+研究方向+昵稱
下載1：何愷明頂會(huì)分享
在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：何愷明，即可下載。總共有6份PDF，涉及 ResNet、Mask RCNN等經(jīng)典工作的總結(jié)分析
下載2：終身受益的編程指南：Google編程風(fēng)格指南
在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：c++，即可下載。歷經(jīng)十年考驗(yàn)，最權(quán)威的編程規(guī)范！
下載3 CVPR2021 在「AI算法與圖像處理」公眾號(hào)后臺(tái)回復(fù)：CVPR，即可下載1467篇CVPR?2020論文 和 CVPR 2021 最新論文
