Chenfiona的个人博客分享 http://blog.sciencenet.cn/u/Chenfiona

博文

最新 | 2020研究前沿及热点解读

已有 1970 次阅读 2020-11-16 15:29 |个人分类:最新资讯|系统分类:博客资讯

11月13日,中国科学院科技战略咨询研究院、中国科学院文献情报中心与科睿唯安联合发布《2020研究前沿》报告和《2020研究前沿热度指数》报告,该系列报告通过大数据和文献计量分析方法,聚类揭示了基础科学领域的年度热点前沿和新兴前沿,已成为中国科学院国家高端科技智库的品牌成果,为决策者和专业人员服务。小编特选取"信息科学"学科热点前沿发展态势及重点热点前沿解读,供大家参考。


温馨提示:IJAC微信对话框回复"前沿"即可获取《2020研究前沿》及《2020研究前沿热度指数》完整版PDF


image.png

信息科学领域位居前10位的热点前沿主要集中于深度学习和强化学习、移动边缘计算、无人机通信、图像处理、长距离连续变量量子密钥分配等方向(表52)。深度学习和强化学习方向连续入选本领域的热点前沿或新兴前沿,其中,"基于深度卷积神经网络的脑肿瘤图像分割研究"入选2019年新兴前沿,2020年入选热点前沿,"AlphaGo Zero 的强化学习算法"首次入选热点前沿。


"无人机无线通信网络、传输保密和轨迹优化研究"连续两年入选热点前沿。图像处理方向"基于混沌的图像加密研究"曾入选2018年热点前沿,2020年再次入选。"基于智能卡、密码和生物特征标识的用户认证和密钥协商方案"是2018年热点前沿"基于智能卡、生物特征等的远程用户认证方案及其相关技术"的延续。"无线移动边缘计算研究"、"长距离连续变量量子密钥分配"以及"使用lme4拟合线性混合效应模型"均首次入选热点前沿。


1.jpg

2.jpg


image.png

移动边缘计算(Mobile Edge Computing,MEC)最初由欧洲电信标准协会(ETSI)提出,是基于5G演进的架构,并将移动接入网与互联网业务深度融合的一种技术。MEC一方面可以改善用户体验,节省带宽资源,另一方面通过将计算能力下沉到移动边缘节点,提供第三方应用集成,为移动边缘入口的服务创新提供了无限可能。MEC将会提供一个强大的平台解决未来网络的延迟、拥塞和容量等问题。在5G时代,MEC的应用范围将延伸至交通运输系统、智能驾驶、实时触觉控制、增强现实等领域。MEC研究的主要内容有任务卸载模型、计算资源分配、大规模MEC系统部署、MEC的安全性问题等。


热点前沿"无线移动边缘计算研究"包含18篇核心论文,聚焦在5G异构网络中移动边缘计算的节能卸载、移动边缘计算卸载的节能资源分配、无线移动边缘计算的计算速率最大化、无线移动边缘计算系统中的联合卸载和计算优化等方面。


中国主导或参与了该前沿大部分的研究工作。从核心论文的机构分布看,西安电子科技大学、香港大学、香港科技大学、哈马德·本·哈利法大学、重庆邮电大学、中国科学院6个机构并列第一。


3.jpg


4.jpg


从施引论文的角度来看(表54),中国的施引论文最多,达694篇,占全部施引论文的65.4%。美国的施引论文位列第二位。施引论文Top 10机构除了并列第十的韩国庆熙大学、加拿大卡尔顿大学之外全部来自中国。


5.jpg

6.jpg


7.jpg


image.png

强化学习是机器学习的一个分支,作为解决序贯决策问题的重要方法,智能体不断地与环境交互,通过试错的方式来获得最佳策略,这与人类的经验学习和决策思维方式相契合。经典应用案例有棋类游戏、机器人学习站立和走路、无人驾驶、机器翻译、人机对话等。直接从视觉和语言等高维感官输入中学习控制策略,是强化学习的长期挑战之一。随着深度学习在视觉和语音等领域取得突破性进展,将深度神经网络引入到强化学习中,极大地提升了强化学习算法的效率和能力,使强化学习的研究进入了新的阶段。


Google DeepMind公司的AlphaGo就是深度强化学习的代表,而AlphaGo Zero则在没有任何人类专业知识输入的前提下战胜了前者,是纯强化学习的杰出代表。2013年,DeepMind首次提出"利用强化学习从高维输入中直接学习控制策略"的深度学习模型――深度Q网络(DQN)。


2015年,DeepMind在《Nature》上发文"利用深度强化学习算法实现人类水平的控制",介绍了改进版的DQN。此文是深度强化学习的经典之作,也是本研究前沿的三篇核心论文之一,在WoS平台上的被引频次已达3000余次。2016年3月,AlphaGo在与世界围棋冠军李世石的对战当中,以4:1的大比分取胜。在DeepMind于当年1 月发表在《Nature》上的"用深度神经网络和树搜索实现围棋游戏"文章中,详细介绍了AlphaGo利用"价值网络"来评估棋局,利用"策略网络"来选择落子位置,并使用树搜索算法搜索胜率最大的走法。而对这些深度神经网络的训练是由对围棋高手下过棋局的监督学习,以及自我博弈棋局的强化学习共同完成的。2017年,DeepMind在《Nature》上发表题为"无师自通――在不借助人类知识的情况下学会围棋"的论文,介绍了AlphaGo Zero使用纯强化学习,将"价值网络"和"策略网络"整合为一个架构,从零开始3天训练后以100比0击败了与李世石对弈的AlphaGo,40天训练后以89比11战胜了AlphaGo Master。这一系统的成功也是朝向人工智能研究长期以来的目标――创造出在没有人类输入的条件下,在最具挑战性的领域实现超越人类能力的算法――迈进的一大步。上述3篇文章构成了本研究前沿的核心论文集。


8.jpg

9.jpg


从该研究前沿的施引论文情况来看(表56),美国和中国是该前沿后续研究最活跃的国家。在施引论文Top10机构中,中美两国的顶尖科研和教育机构占据了前5席,其中中国科学院是该前沿最为活跃的研究机构。


10.jpg

11.jpg


温馨提示:IJAC微信对话框回复"前沿"即可获取《2020研究前沿》及《2020研究前沿热度指数》完整版PDF。


参考来源

http://www.casisd.cn/ttxw1/zlyjytt/202011/t20201113_5749245.html


image.png

科研小工具 | 基于LaTex轻松制作PPT

10mins微课 | 英语论文写作高频错误: 小冠词の大不同
【名校好课】MIT最新深度学习公开课
一款强大的公式编辑器
如何在不平坦的科研路上狂奔?
提升科研效率的几款小工具


image.png

年度Top10论文 | 人工智能&计算机视觉&大数据领域

好文 | 纽约石溪大学:机器学习中基于项目反应理论的集成学习

2019-2020年度 Top10 综述

【约稿】爱丁堡大学樊文飞 | 有界计算理论: 在有限资源下查询大数据

哈工大高会军团队: 基于强化学习的多速率系统控制器最优化研究

综述:自主式水下机器人的路径规划算法

【程学旗&陈恩红团队】社交网络的传播背景:模拟与建模

高被引Top1团队综述:图像、图形及文本领域的对抗攻击及防御

综述:用于自由曲面加工的新型计算机数控方法

港科大-微众AI杨强团队:用于生成对话系统的迁移多层注意力网络

北大王立威团队: 零样本细粒度图像分析新模型


image.png



http://blog.sciencenet.cn/blog-749317-1258606.html

上一篇:好文 | 纽约石溪大学:机器学习中基于项目反应理论的集成学习
下一篇:2019-2020高被引学者论文集锦

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2021-2-25 07:48

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部