尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
深度學習已經成為了人工智能技術領域最重要的技術之一。在最近數年中，計算機視覺、語音識別、自然語言處理和機器人取得的爆炸性進展都離不開深度學習。
Hinton主要貢獻
Hinton最重要的貢獻來自他1986年發明反向傳播的論文「Learning Internal Representations by Error Propagation」以及2012年對卷積神經網路的改進。
Hinton和他的學生Alex Krizhevsky以及Ilya Sutskever通過Rectified Linear Neurons和 Dropout Regularization改進了卷積神經網路，並在著名的ImageNet評測中取得了很好的成績，在計算機視覺領域掀起一場革命。
Bengio主要貢獻
Bengio的貢獻主要在1990年代發明的Probabilistic models of sequences。他把神經網路和概率模型（例如隱馬爾可夫模型）結合在一起，並和AT&T公司合作，用新技術識別手寫的支票。現代深度學習技術中的語音識別也是這些概念的擴展。
此外Bengio還於2000年還發表了論文「A Neural Probabilistic Language Model」，使用高維詞向量來表征自然語言。他的團隊還引入了注意力機制，讓機器翻譯獲得突破，也成為了讓深度學習處理序列的重要技術。
Yann LeCun主要貢獻
Yann LeCun的代表貢獻之一是卷積神經網路。1980年代，LeCun發明了卷積神經網路，現在已經成為了機器學習領域的基礎技術之一，也讓深度學習效率更高。1980年代末期，Yan LeCun在多倫多大學和貝爾實驗室工作期間，首次將卷積神經網路用於手寫數字識別。
今天，卷積神經網路已經成為了業界標準技術，廣泛用於計算機視覺、語音識別、語音合成、圖片合成，以及自然語言處理等學術方向，以及自動駕駛、醫學圖片識別、語音助手、信息過濾等工業應用方向。
LeCun的第二個重要貢獻是改進了反向傳播算法。他提出了一個早期的反向傳播算法backprop，也根據變分原理給出了一個簡潔的推導。他的工作讓反向傳播算法更快，比如描述了兩個簡單的方法可以減少學習時間。
LeCun第三個貢獻是拓展了神經網路的應用範圍。他把神經網路變成了一個可以完成大量不同任務的計算模型。例如，在圖片識別領域，他研究了如何讓神經網路學習層次特徵，這一方法現在已經用於很多日常的識別任務。他們還提出了可以操作結構數據（例如圖數據）的深度學習架構。
以上來源網路，相關參考資料已備好，今日給「雷達通信電子戰」發送關鍵詞「190328」即可獲取。