机器学习今年的热门研究，会是什么？
近日，有网友在 Reddit 开了这么一个盘，立刻吸引了大批 MLer 的注意。
有人提名自监督模型，有人认为表征学习越来越受到关注，还有人认为基于物理的机器学习才是未来的方向……
然而，目前从评论区最高赞数来看，上述的这几个方向都不是“赢家”。
截至目前，获赞最多的选手是 —— 几何深度学习。
这项技术是因 Twitter 首席科学家、图机器学习大牛 Michael Bronstein 去年发表的一篇论文走入了大众视线。
▼ 顺带一提那篇论文有 160 页
那么问题就来了：
Top 人气从何而来？
几何深度学习全名 Geometric Deep Learning，最早是 Michael Bronstein 在 2016 年的一篇论文中引出的一个概念。
简单来说，这是一种试图从对称性和不变性的视角出发，从几何上统一 CNNs、GNNs、LSTMs、Transformers 等典型架构的方法。
在高赞评论的下方，有人用一个简单的例子解释了这种“对称性”：
传统网络认为“E”和“3”是不同的，但是具有镜像对称性（或 π 键旋转）的网络却会认为它们是一致的。
CNN 就是这样，当不变性变得可平移（或者可转换）时，右上角的 3 和中心的 3 当然就是一样的。我们希望将 CNN 的这种特性“推及”到其他架构上。
这就对称带来的稳定性，因为在视觉上，许多物体其实是同一个物体，会具有“这是同一个物体，只是翻转了一下”的 3D 几何相似性，因此很多问题都可以基于对称性得到解决。
而传统卷积网络更多地使用数据增强，如旋转，平移，翻转来补偿这一目的。
所以，几何深度学习希望几何学中的“不变群”的概念范围放得更宽，让网络除了旋转平移对称的常规操作之外，还能囊括“不变”这种操作。
比如在一段视频中，有两辆小车相向而行，无论速度如何，有无遮挡，视频的语义就是两辆小车相向行驶。
总的来说，几何深度学习既能使卷积网络更加稳定，也能更好地面对复杂度爆炸的拟合函数。
其他热门提名
除了几何深度学习这个大热门，还有不少我们熟悉的方法也进入了“提名”。
比如，在在评论区中被提及的次数最多的“民推之子”—— 自监督学习。
监督学习是目前机器学习领域主流的方法，而自监督学习作为一种新的学习方法，利用输入数据本身作为监督信号，从未标记的数据中学习信息表示，几乎有利于所有不同类型的下游任务。
在图像分类、语言翻译等诸多 CV 和 NLP 领域都是随处可见，LeCun 也一直十分推崇这种研究方向。
▲ LeCun2018 年演讲
也有人认为表征学习和可解释性 （interpretability）越来越受到关注。
他首先解释道，提名表征学习是因为理论深度学习领域似乎正在经历一个从“规范”问题（如深度与宽度、近似理论、动态）到更抽象问题的转变：
比如什么才是好的表示？表示的哪些属性是重要的？如何用数学的方式定义这个概念？我们如何执行它们？
可解释性与表征学习也有一定关系：如果能够理解什么是好的表现，能够在它上面强加属性，那么它就更具有可解释性。
还有提名检索、应用于强化学习上的迁移学习、多模态以及大规模语言模型上的偏好学习的：
其中的“检索”指的是从外部数据集中检索信息，就像是 deepmind 近期的这项实验一样。
这位帖主还提到，也可以利用检索来补救长尾问题。
有意思的是，评论区有位提名“量子机器学习”的，引来了一位搞物理的，真诚向搞 AI 的发问：
这玩意儿是真的有用，还是只是民科？
其实在 2017 年时，图灵奖得主姚期智就在一次演讲时说过“如果能够把量子计算和 AI 放在一起，我们可能做出连大自然都没有想到的事情。”
这是一个量子计算和机器学习交叉的的跨学科技术领域，借助于量子特性开发高性能的量子机器学习算法，从而加快或拓宽人工智能的应用场景。
不过目前还没有影响广泛的应用出现，因此楼主谨慎地回复：不了解，不过好多人说这是机器学习的最新趋势来着…….
评论区中，我们熟悉的扩散模型、联邦学习、差分算法、元学习也都有人提及。
等到了今年年底的时候，我们可以再挖坟，看看是不是真的有提名中了奖。
参考链接：
https://www.reddit.com/r/MachineLearning/comments/t04ekm/d_whats_hot_for_machine_learning_research_in_2022/