春节期间，你错过了这些开源论文 | Paper + Code 清单
在碎片化閱讀充斥眼球的時代，越來越少的人會去關(guān)注每篇論文背后的探索和思考。
在這個欄目里，你會快速 get 每篇精選論文的亮點(diǎn)和痛點(diǎn)，時刻緊跟 AI 前沿成果。
點(diǎn)擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。
這是 PaperDaily 的第?46?篇文章[ 自然語言處理 ]
@Synced 推薦
#RNN
近日，CMU 和蒙特利爾大學(xué)聯(lián)合提出一種新型的多級記憶的 RNN 架構(gòu)——嵌套 LSTM。在訪問內(nèi)部記憶時，嵌套 LSTM 相比傳統(tǒng)的堆棧 LSTM 有更高的自由度，從而能處理更長時間規(guī)模的內(nèi)部記憶。
實(shí)驗(yàn)也表明，NLSTM 在多種任務(wù)上都超越了堆棧 LSTM。作者認(rèn)為嵌套 LSTM 有潛力直接取代堆棧 LSTM。
@hussar 推薦
#Knowledge Representation
本文提出了一種統(tǒng)一的開放知識表示方法 OKR，可以解決多文檔的摘要問題。通過各種指代鏈接技術(shù)對多文檔的信息進(jìn)行壓縮。
Deconvolutional Paragraph Representation Learning
@icaruss 推薦
#Encoder-Decoder Framework
這篇 2017 年發(fā)表在 NIPS 的文章提供了一個 deconvolutional text autoencoder 架構(gòu)，在長文本重構(gòu)上從原先的 20 多的 bleu score 提升到 90 多，并在文本分類等下游任務(wù)上提升顯著。另外，本文在速度上也提升了三到五倍。
KBGAN: Adversarial Learning for Knowledge Graph Embeddings@paperweekly 推薦
#Knowledge Graph
知識圖譜和 NLP 數(shù)據(jù)里通常只有正樣本，所以訓(xùn)練傳統(tǒng)嵌入模型的時候，大家喜歡用隨機(jī)采樣方法生成負(fù)例。但是這樣生成的負(fù)例往往質(zhì)量很差，對模型訓(xùn)練沒什么幫助。作者提出了一種基于強(qiáng)化對抗學(xué)習(xí)的新方法，可以自動生成高質(zhì)量的負(fù)樣本。
MobiRNN: Efficient Recurrent Neural Network Execution on Mobile GPU@kaierlong 推薦
#Recurrent Neural Network
本文提出的 MobiRNN 框架，可以顯著降低 RNN 模型在手機(jī)設(shè)備上的運(yùn)行時間。
Spectral Normalization for Generative Adversarial Networks@paperweekly 推薦
#GAN
訓(xùn)練不穩(wěn)定至今仍是 GAN 的一個重大挑戰(zhàn)。本文提出了一種新型權(quán)值歸一化（weight normalization）技術(shù)?SN-GANs，能讓判定器訓(xùn)練更加穩(wěn)定。
這是一種輕量化、易實(shí)現(xiàn)的方法，作者用 CIFAR10、STL-10 和 ILSVRC2012 的數(shù)據(jù)集對它進(jìn)行了測試，實(shí)驗(yàn)證明，SN-GANs 能比以往提出的穩(wěn)定方法生成質(zhì)量更高，或者至少是質(zhì)量相當(dāng)?shù)膱D像。
Parallel Tracking and Verifying@chenhong 推薦
#Object Tracking
object tracking 是視頻分析的基本任務(wù)，長期以來一直有兩大陣營，CF 相關(guān)濾波和 CNN，當(dāng)然也可以 CF+CNN 融合。
本文將 tracking 過程分解為兩個并行但是相互協(xié)作的部分：一個用于快速的跟蹤（fast tracking），另一個用于準(zhǔn)確的驗(yàn)證（accurate verification）。?
@paperweekly 推薦
#Generative Adversarial Networks
本文為 ICLR 2018 錄用論文，主要研究如何從嘈雜、扭曲、局部的觀察中學(xué)習(xí) GAN。
@paperweekly 推薦
#Scene Recognition
基于卷積神經(jīng)網(wǎng)絡(luò)的 RGB-D 場景識別，本文為 AAAI2017 錄用文章。
TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation@Synced 推薦
#Image Segmentation
本文展示了 U-Net 類型的架構(gòu)如何利用預(yù)訓(xùn)練的編碼器提升性能。代碼和相關(guān)的預(yù)訓(xùn)練權(quán)重已開源。文中比較了三種權(quán)重初始化方案：LeCun uniform、取自 VGG11 權(quán)重的編碼器和在 Carvana 數(shù)據(jù)集上訓(xùn)練的完整網(wǎng)絡(luò)。
該網(wǎng)絡(luò)架構(gòu)是 Kaggle 競賽（Carvana Image Masking Challenge）中獲勝解決方案（在 735 名參賽者中排名第一）的一部分。
本文由 AI 學(xué)術(shù)社區(qū) PaperWeekly 精選推薦，社區(qū)目前已覆蓋自然語言處理、計(jì)算機(jī)視覺、人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和信息檢索等研究方向，點(diǎn)擊「閱讀原文」即刻加入社區(qū)！
#榜 單 公 布?#
2017年度最值得讀的AI論文 | NLP篇 · 評選結(jié)果公布
2017年度最值得讀的AI論文 | CV篇 · 評選結(jié)果公布
我是彩蛋?
?解鎖新功能：熱門職位推薦！
PaperWeekly小程序升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實(shí)習(xí)都不是問題
?
?解鎖方式?
1. 識別下方二維碼打開小程序
2. 用PaperWeekly社區(qū)賬號進(jìn)行登陸
3. 登陸后即可解鎖所有功能
?職位發(fā)布?
請?zhí)砑有≈治⑿?#xff08;pwbot01）進(jìn)行咨詢
?
長按識別二維碼，使用小程序
*點(diǎn)擊閱讀原文即可注冊
關(guān)于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
總結(jié)
以上是生活随笔為你收集整理的春节期间，你错过了这些开源论文 | Paper + Code 清单的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： NIPS 2017论文解读 | 基于对比
- 下一篇： 三味Capsule：矩阵Capsule与