引用次数在15000次以上的都是什么论文？ 第1页

---

  ningmu-zou-16 网友的相关建议: 
      

2020年1月底发表在《柳叶刀》的文章，一年时间不到超过两万次引用，应该是人类科学史上从发表到被引用超过两万次用时最短的文章。第一作者是武汉金银潭医院的副院长黄朝林，通讯作者是中日友好医院曹彬。文章报道了2019年底在武汉发现的一种能感染人类的新型乙类冠状病毒以及其临床特点。现在再阅读此文有种幻如隔世的不真实感。

---

  tome-75 网友的相关建议: 
      

更新于2022年02月22日。

***我来列举一些机器学习(Machine Learning)领域的高被引文章。

机器学习领域泰斗级学者Geoffrey Hinton的文章引用次数超过15000次文章有8篇。

1. ImageNet Classification with Deep Convolutional Neural Networks，引用104063次（AlexNet，点燃了深度学习的热潮，因此2012年被认为是深度学习元年，当然要十分感谢ImageNet和GPU的加持。）；
2. Learning internal representations by error-propagation & Learning representations by back-propagating errors，引用57800次（BP算法，殿堂级别的成果，几乎所有关于神经网络的文章都会用到BP算法。）；
3. Deep learning，引用48202次（“三巨头”关于深度学习的综述文章。）；
4. Dropout: a simple way to prevent neural networks from overfitting，引用33972次（Dropout是一种防止深度学习模型过拟合的正则化方法，目前已被Google申请专利(US9406017B2)，北大和华为诺亚实验室提出了Disout算法——Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks，对标Google的Dropout。）；
5. Visualizing data using t-SNE，引用21148次（t-SNE是一种流形学习方法，用于数据降维和可视化。）；
6. A fast learning algorithm for deep belief nets，引用17021次（深度置信网络DBN被普遍认为是深度学习的前夕。DBN是Hinton老爷子最引以为傲的成果，它是一种由多个限制玻尔兹曼机RBM堆栈而成的概率生成模型，是最初训练深度网络的一种方法，尽管目前深度学习模型不再需要这种预训练，但它的思想仍然影响着当前的研究工作。）；
7. Reducing the dimensionality of data with neural networks，引用17112次（使用deep autoencoder networks进行数据降维，性能优于传统的PCA算法。）；
8. Rectified linear units improve restricted Boltzmann machines，引用16249次（避免深层网络训练时梯度消失或梯度爆炸的激活函数——线性整流函数ReLU）。

Geoffrey Hinton论文目前的引用数总计543696次，h-index为167。

---

在机器学习领域还有一个泰斗级的人物Jürgen Schmidhuber，他的一篇文章Long short-term memory目前的引用量是61472次，是深度学习-循环神经网络(Recurrent Neural Network, RNN)中的重要成果。但是LeCun Y，Bengio Y和Hinton G在2015年发表在Nature上的文章Deep learning作者中没有Jürgen Schmidhuber，不过Schmidhuber在2015也发表了一篇关于深度学习的综述文章Deep learning in neural networks: An overview，目前的引用量是15060。后来，“三巨头“获得了2018年的“图灵奖”，Schmidhuber和“三巨头“在网络上因为“成果引用”和“成果认定”发生了大量的口水战，这些都是后话了。

Jürgen Schmidhuber教授最近加入了KAUST（沙特的土豪大学），担任KAUST人工智能计划的负责人，看看后续有没有惊艳的成果。

---

机器学习领域还有一些重要的成果，对应的文章也有不俗的引用量。比如：

一直被对比，从未被超越的Adam优化器（Adam: A method for stochastic optimization），目前的引用量是99902次；

使神经网络训练更快、更稳定的Batch normalization（Batch normalization: Accelerating deep network training by reducing internal covariate shift），目前的引用量是34636次；

Zisserman在2014年发表的关于VGGNet的文章Very deep convolutional networks for large-scale image recognition，目前的引用量是73937次。Google在2015年发表的关于GoogLeNet的文章Going deeper with convolutions，目前的引用量是37596次。2016年提出的用于目标检测的Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，目前的引用量是39795次。何凯明2016年的文章Deep residual learning for image recognition，提出的多达152层ResNet，目前的引用量是107922次。用于生物医学图像分割的U-net: Convolutional networks for biomedical image segmentation引用量为38283次（感谢 @梦飞 的补充），U-net基于encoder-decoder ，具有优雅的对称结构，优异的性能，优雅即合理？

女神李飞飞构建的ImageNet是计算机视觉领域非常著名的大型数据集，关于ImageNet的论文ImageNet: A large-scale hierarchical image database发表时间是2009年，目前的引用量是36217次，AlexNet就是在2012年ImageNet大规模视觉识别挑战赛(ILSVRC)上一举成名，自此点燃了深度学习的热潮，可见大规模数据对于深度学习的重要性。

经常被调侃“Money(GPU) Is All You Need”的文章Attention Is All You Need目前的引用量是36755次(感谢 @zhou yu 的补充)，这篇文章提出的Transformer是自然语言处理(NLP)领域的重要成果，它的出现迅速取代了LSTM在NLP领域的霸主地位，像BERT（Bert: Pre-training of deep bidirectional transformers for language understanding，2018年发表，引用量34345次）、GPT-3（Language models are few-shot learners，2020年发表，引用量3043次）这样的SOTA模型均采用Transformer。NLP领域的另一个重量级成果是word2vec，作者是来自Google的Tomas Mikolov，关于word2vec的两篇文章Distributed representations of words and phrases and their compositionality和Efficient estimation of word representations in vector space目前的引用量分别是32172次和27330次（感谢 @ccking 的补充），其实我一直觉得NLP比图像处理问题复杂的多，最让人头疼的莫过于如何将语言数字化。

谷歌大神Ian Goodfellow的关于GAN的文章Generative adversarial nets，目前的引用量是41398次，关于GAN究竟是谁提出来的我就不得而知了，但是Schmidhuber在这个问题上肯定有很多话要说，至于Schmidhuber究竟说了些啥，参见：郑华滨：从PM到GAN——LSTM之父Schmidhuber横跨22年的怨念（文字版）。

LSTM的变体GRU，Learning phrase representations using RNN encoder-decoder for statistical machine translation发表于2014年，目前的引用量是17800次，使用seq2seq模型来解决机器翻译问题，同一年发表的Sequence to sequence learning with neural networks，目前的引用量是17876次。

深度学习能够走进千家万户离不开通用的框架，关于tensorflow的文章TensorFlow: A System for Large-Scale Machine Learning引用量为16764次（感谢@Mia的补充）;关于pytorch的文章PyTorch: An Imperative Style, High-Performance Deep Learning Library引用量为13041。究竟是使用tensorflow还是pytorch是讨论比较热门的话题，我觉得各有千秋，都会一点儿总是好的，工欲善其事，必先利其器。

未来我认为机器学习领域的另一个方向将会有大量的文章引用次数超过15000，这个领域便是强化学习(Reinforcement learning，RL)。强化学习领域的奠基人之一是来自DeepMind的Richard S. Sutton，它的贡献主要在时序差分学习和策略梯度法，Sutton的专著Reinforcement learning: An Introduction, 2nd edition目前的引用量是48792次。强化学习与深度学习碰撞出的DQN方法（Human-level control through deep reinforcement learning）目前的引用量是18356；用于连续控制的DDPG方法（Continuous control with deep reinforcement learning）的引用量是8130。

David Silver是Sutton的徒弟，Silver最引人瞩目的成果就是AlphoGo & AlphoGo Zero，相关的两篇文章Mastering the game of Go with deep neural networks and tree search和Mastering the game of Go without human knowledge的引用量分别是12281次和6805次。

最近DeepMind开发AlphaFold利用AI技术解决生物学50年来的重大挑战-预测蛋白质折叠，可见AI技术在众多领域表现出惊人的生命力，期待AI成为人类扩展科学知识边界的“得力助手”。

其实近几年深度学习的大热使得一些非常著名的传统机器学习算法不被人们广知。

比如Vapnik在1995年基于统计学习理论提出的支持向量机(Support Vector Machine, SVM)，代表性文章Support-vector networks目前的引用量是52088次，Vapnik的关于统计学习理论的专著The Nature of Statistical Learning Theory目前的引用量是97086次。

比如关于lasso回归的文章Regression shrinkage and selection via the lasso目前的引用量是45013次，lasso回归就是大名鼎鼎的 正则化，它可以产生更加稀疏的解；与之类似的还有 正则化，也就是ridge回归。这两种正则化方法在机器学习领域大量使用，即对神经网络的权重参数进行惩罚约束，该过程通常被称为权重衰减（weight delay）。

机器学习领域很多方向都是由外国学者主导的。很庆幸的是，我们在迁移学习(Transfer learning)这个方向占据了一席之地，迁移学习领域的发起人和带头人是香港科技大学的杨强教授。杨强教授的代表性文章A survey on transfer learning目前的引用量是15876次。吴恩达在NIPS 2016中说：Transfer learning will be the next driver of machine learning commercial success after supervised learning to highlight the importance of transfer learning，让我们拭目以待吧。

下面分享一下我对机器学习的认识和理解。

机器学习被普遍认为是一种最有希望实现人工智能(Artificial intelligence, AI)的方法，经几十年的发展，机器学习领域涌现了大量的成果，Pedro Domingos教授将机器学习总结为5大流派，分别是Symbolists、Connectionists、Evolutionaries、Bayesians和Analogizers。机器学习领域的最初成果是符号主义，它的优点在于学习的模型和结果很容易实现跨领域和跨任务的推广，但是由于知识获取和表示的困难，以及当时计算能力的限制，符号主义的主张没有得到大规模的应用。随着大规模数据量和高性能处理器的出现，联结主义（神经网络）得到了飞速的发展，2012年后，以深度学习为代表的联结主义迅速火爆全球，但是以数据驱动为基础的联结主义十分脆弱，推广能力也很差，这也是为什么人们并不信任深度学习模型决策的自动驾驶系统。

因此，很多学者对未来机器学习的发展方向提供了自己的见解，Geoffrey Hinto老爷子在NIPS2017发表了一篇题目为Dynamic routing between capsules的文章(目前的引用量为3037次)，核心思想在于重视图像识别中主要特征的逻辑性（向量化），如果只关注主要特征而忽视特征之间的逻辑性，很容易出现一些非常低级的错误，比如一张图片中随机分布两个眼睛、一个鼻子和一张嘴，现有的深度学习模型会认为这是一张人脸，简直不可思议。张钹院士在文章"迈向第三代人工智能"中指出：当前需要将符号主义和联结主义这两种范式结合起来，去发展安全、可信、可靠和可扩展的 AI 技术，即第三代AI技术。

我非常认同张钹院士的观点，就机器学习技术在其他学科的应用来说，我认为，数据驱动技术应该建立在领域知识(控制方程)的框架内，去开发一些physics-based & physics-informed的方法，从而使得机器学习模型做出合理的决策，对其他学科的发展起到催化作用，成为其他学科飞跃的助力点。

---

  54liu-lin-xin 网友的相关建议: 
      

作为宜家最高级别的设计师会员，我花了4000元左右腾出来了价值十几万的空间，可复制的方案和具体商品都在这里了。你家也可以这样玩收纳。

热心知友@艾伦 在评论区这么评价：

作为一个男士能做到这个程度已经很棒了，外观上不尽如人意，但是感觉还是很实用的，至少比杂乱无章地出现在家里各个角落强不知道多少倍。

热心知友 @苏宸 在评论区留言说：

这才是生活中实际该有的样子，有小孩的收纳成这样非常完美了，像日本主妇那样几乎不可能。

友情提示：本文很长、很多图、很实用！正确的阅读方式是先【收藏】，再【喜欢】，最后双击屏幕666，然后开始阅读，读完了去发【评论】表扬我，最后别忘了关注我，否则会错过后面的精彩内容的。

关于【收纳】的话题，我看到过 @飞翔的蜗牛 写的一个很有意思的答案，似乎所有人都知道了日本主妇可以把自己家收拾的井井有条，但要付出非常巨大的资金成本、时间成本的，并且实际上只有极少数的家庭才能做到这个样子。

而我们凡人如何做好自己家的收纳，身为 @IKEA宜家家居 会员俱乐部最高级别的“设计师”成员，我的建议是不要梦想着自己的家也能成为上面答案中照片里那样，你做不到的，你的钱包、时间、知识体系都不允许。我的答案就8个字：因地制宜，适可而止。

以下所有内容均为我的实际经历和体验，夸张及虚假宣传成分为0%，所用的所有物品都有有名有姓，所以你可以全盘COPY，用极小的代价，让你家也多出几平米的空间，最终你做出来的效果也能和我的完全一样。所有介绍过的商品，只要我能找到电商链接的都放进来了，你可以先领红包，再去剁手。

热心知友 @江南月 在评论区说：

感谢分享，真的很实用，我去抄作业弄个一样的

另外，我的这些知识是和n多全国正在装修的小伙伴那里学来的，以及看了大量 @装小蜜监理王志峰 的答案和文章。强烈建议各位即将装修的小伙伴立刻加群，既能学到装修知识，还能团购装修主材，各种装修好物看花眼。

点击下方卡片，打开后趁它不注意关注装小蜜公众号，然后就可以进群了。

这货就是宜家KALLAX卡莱克搁架单元，它是整个收纳结构的框架，是主心骨，后面描述的各类其他物品都是基于它来使用的。它特点是这样的：

1. 超便宜，性价比极高，你看下图的单价就知道了
2. 环保有保障，每一块板材的贴面和封边都做的比较到位
3. 百变造型，最小的是2×2的，然后还有4×1的、4×2的、4×3的，最大是4×4的
4. 摆放自由，能横着放也能竖着放，后面我会说我那个4×1的横着放怎么用的
5. 配件丰富，可配门板、抽屉、几种不同材质和样式的拉篮、玻璃隔板……
6. 白色、橡木色可选

我用上下两组4×3的搁架单元（上图599的那款）摞在一起组成了一整面墙的柜子，总共24个方格，总体尺寸：

• 宽大约147CM
• 高大约225CM
• 深大约39CM

热心知友 @梅花馅儿饺子 在评论区这么评价卡莱克这套搁架单元：

的确，卡莱克非常好用！！！我之前买了一个4*3的，竖着放当餐边柜，也是少装了一个隔板，长方形的位置放微波炉，完美！后来生孩子搬家了，我只带了这个柜子和一个贝达的电视柜走。新家里我又把卡莱克那个隔板重新装上，再去宜家买了一套抽屉和几个收纳拉篮。娃两岁之前的所有衣物、纸尿裤、纸巾、绘本、奶瓶吸奶器、餐具、玩具、护肤品、药物、证件单据，这一个柜子全收的下。

这里必须要炫耀一下这组柜子的设计技巧了：

1、上下两层充分利用立体空间。

东西全都堆在地上是家里显得乱无处下脚的核心原因，只要你能充分利用起立体空间，把东西都“叠着放”，你家里想乱都难。我忘了拍“改造”之前的恐怖画面了，但是你可以想象一下这些东西全部都堆在地上，一个小小的书房里会变成什么样：

• 娃的洗澡盆
• 娃扭扭车
• 娃的滑板车
• 娃的平衡车
• 一个小洗衣机
• 一个滚轮茶几
• 户外拉车
• ……

本来我只打算买1个柜子，后来我一算要收纳的东西，还是得买俩，摞起来放就行了。实际上我的房屋层高还能让我再加一层4×1的，但考虑到太高了不好取放，所以放弃了。另外，所有的方格我都没有使用门板，主要是因为这里是书房，平时是非活动区域，如果装门板的话用起来反而麻烦了，另一个因素是相比框架而言，门板太贵了，不（我）划（穷）算。

虽然我这么说，但确实也有人在评论区表示这套柜子看着有点乱，热心知友 @稀闻 已经道出了真相，我只想说：你懂我！

小孩用的东西，要是图看上去好看加了不透明的柜门，或者换了不透明的抽屉，收拾的再好拿的时候巨大的工作量也会累死人。好看和实用是要兼顾的，这在有小孩没保姆的家里绝对算是美观的了，除了电视柜有点花，一味的追求绝对的好看肯定是没小孩。

2、在全正方形的小格子中做出来长方形的大空间。

本来24个格子都是正方形的，但我在安装的时候故意少装了4块隔板，这样就创造出了4个竖着的长方形空间，这些空间里就可以收纳比较长或者比较高的物品，否则都是正方形的格子，有些东西就放不进去了，比如下面的格子中你看到的户外帐篷、折叠椅、滑板车，以及上面的玩具车、网红款宜家洞洞板等，这都是在安装整套框架的之前都想好、算好了的。否则等全装完了就拆不了了。

正是因为少安装了一层隔板，所以板子上用来安装隔板的孔可以用另一种玩法利用起来：我安装了一个抽屉把手（后面有介绍），然后用挂上一个长条魔术贴，这样就做成了一个软性的可悬挂收纳空间，原本地上那辆平衡车平时就是用这个魔术贴挂在半空中的，完全不占地方。

这种利用魔术贴挂东西的魔幻玩法后面还有更神奇的用法，挂了超过1平米的大物件，后面再介绍。

3、洞洞板+配件，实现万千变化。

宜家洞洞板的学名叫SKADIS斯考迪斯钉板（我猜这个冷知识知道的人不多），虽然尺寸不多，但正好有一款36×56CM的竖着放就能完美适配我故意留出来的这个长方形空间，当我计算得出这个结论的时候我内心是有波澜的，因为这样我就可以像一开始图上你看到的一样，把很多零碎的东西用洞洞板和配件在立体空间里收纳起来。如果某天有必要的话，我可以用2分钟把洞洞板拆掉，还原出和下面一样能收纳较长物品的空间来，洞洞板再挂到别处即可，比如整组柜子的侧面。

前一个讨论

下一个讨论