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 81?篇文章

FusionNet: Fusing via Fully-Aware Attention with Application to Machine Comprehension

@shaness 推薦

#Attention Mechanism

本文是微軟和臺灣大學發表于 ICLR 2018 的工作，論文最大的價值是融合了當前主流的 Attention 模型的各個層次表示，并且一一作了介紹，可以通過本文了解當前主流 Attention 模型所用到的信息都是怎么得到的。文章使用了 GloVe 表示單詞，CoVe 表示上下文。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2005

代碼鏈接

https://github.com/momohuang/FusionNet-NLI

From Word to Sense Embeddings: A Survey on Vector Representations of Meaning

@qqfly1to19 推薦

#Word Embedding

眾所周知，Word Embedding 這種從語言結構中學習出來的低維表示存在著很多問題，諸如將原本的多義詞 Embedding 進了一個向量里，具有相同語言結構的 Word（如反義詞）具有相近的向量，這些問題在實際的工程領域往往是致命的。本篇長文總共 40 頁，篇幅較長。主要是從 Word Embedding 的工作出發去講Sense Embedding，內容很厚，建議好好閱讀。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/1999

Hybrid semi-Markov CRF for Neural Sequence Labeling

@zxye 推薦

#CRF

本文是中科大發表于 ACL 2018 的工作，這篇文章聯合使用 CRF 和改進的 Semi-CRF 在 CoNLL 2003 命名實體識別任務上達到了 state-of-the-art 的性能。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/1998

代碼鏈接

https://github.com/ZhixiuYe/HSCRF-pytorch

DialogWAE: Multimodal Response Generation with Conditional Wasserstein Auto-Encoder

@guxd 推薦

#Dialog Systems

現有的對話模型通常采用變分自編碼器（VAE）實現多樣化的應答生成，然而VAE模型假定對話的隱變量服從簡單的高斯分布，從而限制了應答的范圍（比如單模態應答）。

本文提出一種基于 Wasserstein 自編碼器的應答生成模型，不同于 VAE 模型的單一高斯先驗假設，本文通過在隱變量上進行 GAN 訓練，實現對真實數據分布的擬合。同時引入高斯混合先驗網絡實現多模態回答生成。實驗結果表明采用高斯混合先驗的 GAN 模型在產生更連貫，信息豐富和多樣化的回應方面優于現有技術。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2001

Fast Abstractive Summarization with Reinforce-Selected Sentence Rewriting

@paperweekly 推薦

#Abstractive Summarization

本文是 UNC Chapel Hill 發表于 ACL 2018 的工作，論文提出了新穎的基于強化學習的句子級的文本摘要生成模型，達到了 state-of-art 效果。

通過先抽取在生成的方式，加快了訓練和測試解碼速度，同時引入強化學習將抽取和生成巧妙聯合起來，構成了一個整體的端到端模型而不是一個 pipeline 系統。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2017

代碼鏈接

https://github.com/ChenRocks/fast_abs_rl

Learning Domain-Sensitive and Sentiment-Aware Word Embeddings

@paperweekly 推薦

#Word Embeddings

本文是香港中文大學與 Tencent AI Lab 聯合發表于 ACL 2018 的工作。論文提出了一種學習領域適應和情感感知的詞嵌入的新方法，能夠同時捕獲詞的情感語義和領域信息。

與已有方法不同的是，該方法利用評論中的情感信息和上下文信息來自動確定和生成領域無關的詞向量和領域相關的詞向量，從而利用來自于多個領域的共同情感詞的信息，并且同時捕獲來自不同領域的領域相關詞的不同語義。

實驗結果表明，該方法能夠更好的學習多領域情況下的情感詞表示，提高了句子層面和詞匯層面的情感分類任務的性能。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2015

Two-Stage Synthesis Networks for Transfer Learning in Machine Comprehension

@shaness 推薦

#Machine Comprehension

機器閱讀理解在最近的文章中，主要是針對特定數據集上的表現做模型改進。而微軟的這篇文章更加貼近現實問題：如何讓機器自己從一個數據集上通過監督學習生成答案和生成問題的能力，然后無監督地應用在其他的 domain 里面，對缺少標注數據的 MRC 問題提出了遷移學習的解決思路。

本文思路分兩步合成，先根據 paragraph（后簡稱 p）生成答案（后簡稱 a），然后根據 p 和 a 生成 quenstion。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2012

代碼鏈接

https://github.com/davidgolub/QuestionGeneration

PyramidBox: A Context-assisted Single Shot Face Detector

@yinnxinn 推薦

#Face Detection

本文來自百度，論文達到了超級好的人臉檢測效果。從工程角度將 FPN，RCNN，anchor 等多種結構的優勢結合起來。論文將 FPN 和 S^3^FD 的優勢結合起來，主干框架采取 VGG16 進行特征提取，在 conv3_3，conv4_3，conv5_3 層使用 FPN 構建 branch 對底層 feature 的背景信息進行保留，最后將高低層的信息進行組合得到 predict_layer。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2006

Quantization Mimic: Towards Very Tiny CNN for Object Detection

@darksoul 推薦

#Object Detection

本文來自清華大學和商湯科技，文章使用量化的方法加強 Mimic 的性能，對 Mimic 的方法擴展有新的指導意義。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2010

Towards Personalized Image Captioning via Multimodal Memory Networks

@born2 推薦

#Image Caption

對于 Image Caption 任務，給出一張圖，生成一句話，已經取得了長足的進步。本文提出了 Caption 方向的一個新問題：如何產生個性化的 Caption。因為不同的人對同樣的圖片會做出不同的描述，其中包含了描述者本身的用詞表達習慣等特征，如何針對性的學習某個人的表達式本文提出的新問題。?

這個問題很有強的實用價值，我們日常生活中的微信朋友圈，微博等等，圖片所配的問題之中，都隱藏著個人平日的用詞習慣，如果能夠學習到一個相應的模型，那么將會為我們節省大量的時間，我們只需要在機器生成的句子上做簡單的修改，甚至不需要修改，就可以直接發布朋友圈。

存在兩個問題，首先是數據庫的問題，其次就是如何構建一個能夠學習這種個性化的模型。

本文構建了一個個性化的 Caption 數據庫，并提出了使用記憶網絡進行個人習慣用詞的提取，利用卷積的方式來獲取單詞和圖像之間的關系，最終取得了很好的效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2014

代碼鏈接

https://github.com/cesc-park/attend2u

Attention to Scale: Scale-aware Semantic Image Segmentation

@DeepTrial 推薦

#Image Segmentation

通過對輸入圖片的尺度進行放縮，構造多尺度。傳統的方法是使用 average-pooling 或 max-pooling 對不同尺度的特征進行融合，而本文通過構造 Attention model（由兩個卷積層構成）從而自動地去學不同尺度的權重，進行融合（效果提升 1 到 2 個點吧，不同的數據集不一樣）。

從論文中的權重可視化的結果，能發現小尺寸輸入上，對應網絡關注于 small-scale objects，而在大一點的尺寸上，網絡就關注于 middle-scale，large-scale 甚至 background contextual information。可視化效果感覺非常有意思。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/1950

代碼鏈接

http://liangchiehchen.com/projects/DeepLab.html

Metric Factorization: Recommendation beyond Matrix Factorization

@daven88 推薦

#Recommender System

本文提出了一種新型的推薦系統算法——Metric Factorization（距離分解）， 該方法旨在改進傳統的基于矩陣分解的推薦系統算法。矩陣分解一個很大的問題就是不符合 inequality property， 這很大程度上阻礙了其表現。

本文提出新型的解決方案，通過把用戶和商品看作是一個低緯空間里面的點，然后用他們之間的距離來表示他們的距離。通過類似于矩陣分解的 squared loss 就能很好的從已有的歷史數據中學出用戶和商品在這個低維空間的位置。

Metric Factorization 可以用在評分預測和排序兩個經典的推薦場景，并且都取得了 state-of-the-art 的結果，超過基于 deep learning 以及已有的 Metric learning 的推薦算法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2002

Distributed Prioritized Experience Replay

@Davidzhang 推薦

#Reinforcement Learning

本文是 DeepMind 發表于 ICLR 2018 的工作。Exploration 是強化學習里面比較難的問題，這篇 paper 通過分布式，可以說用一個最簡單的做法卻實現了非常好的 exploration。同時，這篇 paper 也讓我們要意識到 RL 的分布式計算是非常重要的一個環節，不僅僅是加快訓練速度，還可以更好的提升效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/1994

#推 薦 有 禮#

本期所有入選論文的推薦人

均將獲得PaperWeekly紀念周邊一份

▲?深度學習主題行李牌/卡套 + 防水貼紙

?禮物領取方式?

推薦人請根據論文詳情頁底部留言

添加小助手領取禮物

想要贏取以上周邊好禮？

點擊閱讀原文即刻加入社區吧！

點擊以下標題查看往期推薦：?

• ??來不及想標題了，我要去打包收藏了

• ??快醒醒，一大波最新 AI 論文加開源代碼來襲！
  

• ??15 篇最新 AI 論文來襲！NLP、CV...人人有份

• 還在熬夜憋思路？這12篇最新論文打包送給你

• 本周 AI 論文良心推薦，你想 pick 誰？
  

▲?戳我查看招募詳情

#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

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还在为周会发愁？你需要这13篇最新论文 | 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。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。