随着机器学习的迅速发展，学习这门新技术似乎已成为时代的必然选择。
然而，阅读相关论文往往缺乏方向，既耗时又费力，甚至可能需要支付高昂费用。
更何况，机器学习领域的论文数量实在庞大。
据Google AI的杰出科学家JeFF Dean进行的精确计算，全球每天平均会发布100篇新的机器学习论文。
而这一数据距离现在已有一年之久。
那么，在如此浩瀚的论文海洋中，如何找到最具价值的研究成果呢？
许多资源中提到一个网站，被誉为“AI各领域最佳资料查找工具”——PapeRs wITh code。
最近，PapeRs wITh code进行了重大更新，并登上了Reddit热榜，许多网友对此赞不绝口。
目前，该网站汇聚了超过2500个排行榜和超过20,000篇论文结果。
此外，用户现在可以直接通过点击Result链接，提取aRXiv中的表格数据。
接下来，让我们深入了解一下这个查论文的神器。
此次更新主要体现在三个方面：全新的Result界面、自动化结果提取以及大数据库更新。
首先，全新的Result界面将结果直接链接到aRXiv论文中的原始表格。
例如，在imageNet排行榜中，用户只需点击某一行的Result链接，即可直接访问论文中的表格，显得更加直观明了。
此外，这一新界面还充当了论文结果的编辑器，允许用户在社区中直接添加论文结果，并与内部表格链接。
需要注意的是，该界面目前仅适用于带有LaTex源的aRXiv论文。
接下来是自动化结果提取功能。
过去一年，该公司专注于从机器学习论文中自动提取结果。
现已推出一种新的人机交互系统，以实现结果提取。我们的模型能够为每篇aRXiv ML论文生成可供人类接受或拒绝的建议，显著提升了系统的性能，使其在实际应用中比之前的先进系统更具可行性。
相关方法已经在aRXiv上发布，并在GitHub上开源，同时发布了一个结构化的注释数据集，用于训练模型和评估其在结果提取任务上的性能，以期进一步优化。
此外，资源数据也得到了大幅扩展，目前网站上已有800多个新排行榜和5500多个新结果。所有数据均获得免费开放数据许可，并可在此处下载JSON格式的数据。
PapeRs wITh code于2018年7月成立，旨在帮助机器学习爱好者跟踪最新发布的论文和源代码，迅速了解前沿技术动态。
网站内容涵盖机器学习的多个领域，包括计算机视觉、自然语言处理、医疗、语音、游戏、时序数据、音频、机器人、音乐、推理和计算机代码等。
所有内容均可编辑和版本化，首页提供直观索引。
在每个领域下，用户不仅可以查看论文排名，还能找到相关代码。
该网站将aRXiv上最新的机器学习论文与GitHub代码进行对应，用户可以通过标题关键词或按流行程度及GitHub收藏数来查询“热门研究”。
以计算机视觉为例。
计算机视觉领域分为五个小类：语义分割、图像分类、物体检测、图像生成和去噪。
点击语义分割这一类，用户将看到简短的介绍和论文排行榜。
点击想要查看的论文及其代码就可以了！
PapeRs wITh code背后的公司Atlas ML位于英国伦敦，由RobeRt Stojnic和RoSS TayloR共同创办。
创始人之一RobeRt Stojnic在2012年于剑桥大学获得计算生物学博士学位，并于2018年7月创立Atlas ML及PapeRs wITh code，目前担任首席执行官。
RoSS TayloR在2014年获得剑桥大学经济学硕士学位，毕业后曾在金融行业从事软件开发和机器学习模型设计等工作，并于2018年共同创办Atlas ML，目前担任首席技术官。
去年底，成立仅一年多的PapeRs wITh code宣布正式并入FACEbook AI，但双方保持平台的独立性，相关服务、社区和网站运营方式不会改变。
在介绍完这个优质资源网站后，或许你会问，如何高效阅读论文呢？
之前，我们有一篇来自清华大学本科特等奖学生高天宇的分享，其中提到了一些查找和研究论文的小技巧。
首先，对论文进行分类：
对于与当前课题相关的论文，需全面掌握，每篇论文都应有所了解。
一方面，这些研究与自身课题息息相关；另一方面，如果碰巧遇到重叠主题，可能你的项目已被他人先行突破。
而其他子领域及不同领域的论文，如果对当前研究没有太大启发，可以略过。但若有对整体研究领域具有指导意义或取得重大突破的成果，则应认真阅读并总结。
针对论文标题，高天宇还提出了水文第一定律：标题越长，水文的概率越大；标题越短，往往干货越多。
