来不及想标题了，我要去打包收藏了 | 本周值得读
在碎片化閱讀充斥眼球的時代，越來越少的人會去關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和痛點，時刻緊跟 AI 前沿成果。
點擊本文底部的「閱讀原文」即刻加入社區，查看更多最新論文推薦。
這是 PaperDaily 的第?56?篇文章@theodoric008 推薦
#Relation Extraction
本文是中科院自動化所發表于 AAAI 2018 的工作。論文提供了一種利用強化學習進行實體關系抽取的思路，近幾年做 RE 的，有基于 Supervised 數據集的：2015 Xu CNN，2016 Zhou LSTM；有基于遠程監督數據集的：2015 Zeng PCNN，2016 Lin PCNN + ATT 等等。
本文也是基于遠程監督數據集，但是與前面提到的不同的是，本文模型可以對句子分類，而不僅僅對 Bag (Entity pair)。
Demystifying Core Ranking in Pinterest Image Search@Ttssxuan 推薦
#Content-based Image Retrieval
本文是 Pinterest 試驗的圖片檢索算法，本文從：training data，user/image featurization 和 ranking models 等角度進行解讀，并做了性能和質量方面的測試。
Group Normalization
@chlr1995 推薦
#Normalization
本文為 Kaiming He 新作。Batch-Norm 在深度學習中一直扮演著重要的角色，但 BN 也存在著明顯的問題——需要足夠大的 Batch Size，大大增加了訓練的成本。本文提出了一種新的歸一化——Group Norm 替代 BN，并且通過實驗證明，在較小的 Batch Size 下，使用 GN 的網絡最終得到的結果，要比使用BN的結果更好。
CliCR: A Dataset of Clinical Case Reports for Machine Reading Comprehension@paperweekly 推薦
#Machine Reading Comprehension
本文提出了一個醫療領域的機器理解數據集。該數據集基于大量臨床病例報告，對病例進行了約100,000次間隙填充查詢。
Single-Shot Bidirectional Pyramid Networks for High-Quality Object Detection@chlr1995 推薦
#Object Detection
雖然現在利用 DL 的方法在實體檢測方面取得了顯著的成果，但是這些方法往往都是面向低精度的檢測，即設定 IoU 為 0.5 提取粗精度的候選框，這樣就導致了精度低甚至會檢測出噪聲。
本文提出了一種雙向金字塔網絡結構，在不犧牲檢測效率的情況下，達到高精度檢測（如，IoU>0.5）。而且在實驗中，COCO 和 Pascal 數據集都取得了 state-of-the-art 的結果。
Averaging Weights Leads to Wider Optima and Better Generalization@paperweekly 推薦
#Deep Neural Networks
本文提出了一種簡單的 DNN 訓練方法 SWA，作為 SGD 的替代。SWA 具備更好的泛化能力、更快的收斂速度，并且幾乎沒有任何計算開銷。
Deep Semantic Role Labeling with Self-Attention@robertdlut 推薦
#Self-Attention
本文來自 AAAI2018，廈門大學 Tan 等人的工作。他們將 Self-Attention 應用到了語義角色標注任務（SRL）上，并取得了先進的結果。這篇論文中，作者將 SRL 作為一個序列標注問題，使用 BIO 標簽進行標注，然后提出使用深度注意力網絡（Deep Attentional Neural Network）進行標注。
在每一個網絡塊中，有一個 RNN/CNN/FNN 子層和一個 Self-Attention 子層組成。最后直接利用 softmax 當成標簽分類進行序列標注。
@chlr1995 推薦
#Object Detection
YOLO 網絡 V3 版本，比 SSD 速度提升了 3 倍，比 RetinaNet 速度提高近 4 倍。本文使用 DarkNet 作為底層網絡，通過優化模型細節，進一步加快了 YOLO 的速度。
@williamking5 推薦
#GAN
本文將 Hinton 大神最新提出的膠囊網絡 CapsNet 取代 CNN，作為判別器應用到了生成對抗網絡當中。
Deep Matrix Factorization Models for Recommender Systems@somtian 推薦
#Recommender System
本文在利用深度學習做推薦時，考慮了推薦的顯式反饋和隱式反饋，將其融合構建成一個矩陣，從而將用戶和產品的不同向量輸入到兩個并行的深層網絡中去。最后，設計了一種新型的損失函數以同時考慮評分和交互兩種不同類型的反饋數據。
@chlr1995 推薦
#Gated Recurrent Unit
在深度神經網絡中，ReLU 往往被用作激活函數，而使用 softmax 作為分類器。本文受到近來使用其他分類器方法啟發，嘗試了使用 ReLU 作為 DNN 的分類器。
本文由 AI 學術社區 PaperWeekly 精選推薦，社區目前已覆蓋自然語言處理、計算機視覺、人工智能、機器學習、數據挖掘和信息檢索等研究方向，點擊「閱讀原文」即刻加入社區！
點擊以下標題查看往期推薦：?
選對論文，效率提升50% | 本周值得讀
好看的論文千篇一律，有趣的Github項目萬里挑一！
#作 者 招 募#
讓你的文字被很多很多人看到，喜歡我們不如加入我們
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√
找全職找實習都不是問題
?
?解鎖方式?
1. 識別下方二維碼打開小程序
2. 用PaperWeekly社區賬號進行登陸
3. 登陸后即可解鎖所有功能
?職位發布?
請添加小助手微信（pwbot02）進行咨詢
?
長按識別二維碼，使用小程序
*點擊閱讀原文即可注冊
關于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
▽ 點擊 |?閱讀原文?| 加入社區刷論文
總結
以上是生活随笔為你收集整理的来不及想标题了，我要去打包收藏了 | 本周值得读的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 好看的论文千篇一律，有趣的Github项
- 下一篇： 再谈变分自编码器VAE：从贝叶斯观点出发