在碎片化閱讀充斥眼球的時(shí)代，越來(lái)越少的人會(huì)去關(guān)注每篇論文背后的探索和思考。

在這個(gè)欄目里，你會(huì)快速 get 每篇精選論文的亮點(diǎn)和痛點(diǎn)，時(shí)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 111?篇文章

@wangqy96 推薦

#Knowledge Base

本文是倫斯勒理工大學(xué)發(fā)表于 INLG 2018 的工作，論文為結(jié)構(gòu)化 KB 提供了有效的描述生成，并且提出基于 KB 重建的 metric 來(lái)評(píng)估在輸出中正確表達(dá)的事實(shí)數(shù)量。此外，論文還創(chuàng)建一個(gè)基于 Wikipedia 的 KB description dataset，包含 106,216 個(gè)實(shí)體。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2369

源碼鏈接

https://github.com/EagleW/Describing_a_Knowledge_Base

@paperweekly 推薦

#Document Relevance Ranking

本文是 Google AI 發(fā)表于 EMNLP 2018 的工作，主要研究的是深度學(xué)習(xí)在檢索中的應(yīng)用。論文提出了三種針對(duì)文檔相關(guān)性排序的新模型，這幾種模型基于此前的 DRMM 模型（A Deep Relevance Matching Model for Ad-hoc Retrieval）。具體來(lái)說(shuō)，DRMM 模型使用的是上下文無(wú)關(guān)的 term encoding 編碼方式，而本文提出的改進(jìn)模型則借鑒了 PACRR 的思想，融合了 n-grams 和不同方式編碼的上下文信息。

作者在 BioASQ 和 TREC Robust 2004 兩個(gè)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)證明本文模型優(yōu)于 BM25-baseline、DRMM 和 PACRR。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2402

源碼鏈接

https://github.com/nlpaueb/deep-relevance-ranking

@paperweekly 推薦

#Graph to Sequence Learning

本文是 IBM Research 發(fā)表于 ACL 2018 的工作，論文提出了一種將圖直接映射為序列的端到端模型——Graph2Seq。與 Seq2Seq 類(lèi)似，該模型由一個(gè) Graph 編碼器和一個(gè) Sequence 解碼器組成。Graph 編碼器將輸入的圖映射為一個(gè)圖的表示以及一系列節(jié)點(diǎn)表示，而 Sequence 解碼器則基于這些表示生成相應(yīng)的目標(biāo)序列。

通過(guò)在 bAbI 任務(wù)、最短路徑任務(wù)以及自然語(yǔ)言生成任務(wù)上的實(shí)驗(yàn)，本文證明了 Graph2Seq 模型可以被有效地用于從圖到序列的任務(wù)。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2358

源碼鏈接

https://github.com/beckdaniel/acl2018_graph2seq

@paperweekly 推薦

#Word Embeddings

本文是 Infinia ML Research、杜克大學(xué)和騰訊 AI Lab 發(fā)表于 NIPS 2018 的工作。論文基于 Wasserstein 距離和 Distillation 機(jī)制提出了一個(gè)全新思路，通過(guò)聯(lián)合訓(xùn)練基于歐式距離的詞向量和基于 Wasserstein 距離的主題模型，大幅提升了詞向量的語(yǔ)義準(zhǔn)確度。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2411

@paperweekly 推薦

#Relation Extraction

本文是根特大學(xué)發(fā)表于 EMNLP 2018 的工作，論文提出了一個(gè)能同時(shí)執(zhí)行實(shí)體識(shí)別和關(guān)系抽取任務(wù)的 multi-head selection 聯(lián)合模型。實(shí)驗(yàn)證明本文模型在大多數(shù)數(shù)據(jù)集上，可以在不依賴(lài)其他 NLP 工具、且不使用人工設(shè)置特征的情況下，同步解決多關(guān)系問(wèn)題。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2403

源碼鏈接

https://github.com/bekou/multihead_joint_entity_relation_extraction

@hsu 推薦

#Semantic Segmentation

本文是 Google 發(fā)表于 NIPS 2018 的工作，論文首次提出了一個(gè)基于元學(xué)習(xí)的語(yǔ)義分割模型，可避免調(diào)參時(shí)過(guò)于玄學(xué)、沒(méi)有規(guī)律性的特點(diǎn)，受NAS啟發(fā)設(shè)計(jì)基于搜索空間的語(yǔ)義分割網(wǎng)絡(luò)模型。

此外，論文還提出了基于 Dense Prediction Cell (DPC) 構(gòu)建的遞歸搜索空間，對(duì)多尺度上下文信息編碼，實(shí)現(xiàn)語(yǔ)義分割任務(wù)。作者采用基于隨機(jī)搜索的搜索策略來(lái)找到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)配置。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2404

源碼鏈接

https://github.com/tensorflow/models/tree/master/research/deeplab

@Kralkatorrik 推薦

#Face Recognition

人證比對(duì)是人臉識(shí)別的一個(gè)重要應(yīng)用場(chǎng)景，在主流的人臉識(shí)別研究中，通常是研究如何獲取更好的人臉表征。本文提出了一種叫做 DocFace 的方法，通過(guò)遷移學(xué)習(xí)，將處于不同 domain 的證件照和生活照樣本映射到同一個(gè) domain 中。

具體流程如下：

1. 使用 AM-Softmax 在清洗過(guò)的 MS-Celeb-1M 數(shù)據(jù)集上訓(xùn)練一個(gè)基礎(chǔ)網(wǎng)絡(luò) F；

2. 從這個(gè)網(wǎng)絡(luò)開(kāi)始同時(shí)訓(xùn)練兩個(gè)網(wǎng)絡(luò) (G,H) 來(lái)適應(yīng)證件照和生活照，這個(gè)過(guò)程使用作者提出的 MPS loss 損失函數(shù)。

最終模型在私有 ID-Selfie 數(shù)據(jù)集上相比 basenetwork 能獲得 30% 以上的提升（FAR@0.001）。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2399

源碼鏈接

https://github.com/seasonSH/DocFace

@zmaker 推薦

#Convolutional Neural Network

本文是上海交大和杜克大學(xué)發(fā)表于 ECCV 2018 的工作，論文提出了一種基于 Quaternion 的 CNN——QCNN。QCNN 將圖像的 RGB 通道轉(zhuǎn)換到 Quaternion 數(shù)域進(jìn)行討論，并由此給出了 quaternion convolution layers 和 quaternion fully-connected layers 等結(jié)構(gòu)。文章從"微觀"上進(jìn)行改進(jìn)，提出了新的卷積神經(jīng)網(wǎng)絡(luò)，在 high-level vision task 和 low-level vision task 都取得了不錯(cuò)的效果。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2392

@Kralkatorrik 推薦

#Face Recognition

本文是商湯科技、UCSD 和南洋理工大學(xué)發(fā)表于 ECCV 2018 的工作。論文對(duì)于現(xiàn)有人臉數(shù)據(jù)集中的標(biāo)簽噪聲問(wèn)題進(jìn)行了深入研究，對(duì) MegaFace 和 MS-Celeb-1M 數(shù)據(jù)集中的噪聲特性和來(lái)源做了全面的分析，發(fā)現(xiàn)干凈子集對(duì)于提高人臉識(shí)別精度效果顯著。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2384

數(shù)據(jù)集鏈接

https://github.com/fwang91/IMDb-Face

@Fiersies 推薦

#Scene Understanding

本文是北京大學(xué)、MIT、字節(jié)跳動(dòng)和曠視科技發(fā)表于 ECCV 2018 的工作，論文提出了名為統(tǒng)一感知解析 UPP 的新任務(wù)，要求機(jī)器視覺(jué)系統(tǒng)從一張圖像中識(shí)別出盡可能多的視覺(jué)概念；又提出多任務(wù)框架 UPerNet ，開(kāi)發(fā)訓(xùn)練策略以學(xué)習(xí)混雜標(biāo)注。UPP 基準(zhǔn)測(cè)試結(jié)果表明，UPerNet 可有效分割大量的圖像概念。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2379

源碼鏈接

https://github.com/CSAILVision/unifiedparsing

@xuzhou 推薦

#Wavelet Transform

本文是北京航空航天大學(xué)發(fā)表于 KDD 2018 的文章，論文提出將小波變換和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行完美結(jié)合，克服了融合的損失，對(duì)時(shí)間序列數(shù)據(jù)的分析起到了很好的啟發(fā)性研究。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2373

源碼鏈接

https://github.com/AHoke/Multilevel_Wavelet_Decomposition_Network_Pytorch

@paperweekly 推薦

#Session-based Recommendation

本文是中科大和京東發(fā)表于 SIGKDD 2018 的工作。現(xiàn)有的序列化推薦方法往往僅對(duì)消費(fèi)者的短期行為特征進(jìn)行分析，沒(méi)有充分考慮到用戶的長(zhǎng)期偏好以及偏好的動(dòng)態(tài)變化過(guò)程。本文基于用戶行為區(qū)別，提出了一個(gè)針對(duì)商品推薦任務(wù)的全新 BINN（Behavior-Intensive Neural Network）模型，該模型包括一個(gè) Item Embedding 和兩個(gè) RNN。Item Embedding 對(duì)用戶產(chǎn)生的 item 序列運(yùn)用類(lèi) Skip-gram 的模型，兩個(gè) RNN 分別用于捕獲用戶當(dāng)前偏好和歷史偏好。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2414

@zhangjun 推薦

#Bayesian Optimization

本文來(lái)自 NIPS 2017 BayesOpt Workshop，論文提出了一種基于遷移學(xué)習(xí)的初值設(shè)定方法，用來(lái)提升貝葉斯優(yōu)化搜索最優(yōu)超參數(shù)的效率。文中通過(guò)學(xué)習(xí)一個(gè)基于 DNN 的距離函數(shù)，來(lái)找到最相似的 K 個(gè) dataset，將這些 dataset 的最優(yōu)超參數(shù)定為 target 任務(wù)的幾個(gè)初值，開(kāi)始迭代尋優(yōu)。

實(shí)驗(yàn)結(jié)果表明，高質(zhì)量的初值將會(huì)讓優(yōu)化收斂更快。但用一個(gè)非常復(fù)雜的深度學(xué)習(xí)網(wǎng)絡(luò)來(lái)計(jì)算相似度有一點(diǎn)殺雞焉用牛刀的感覺(jué)，深度學(xué)習(xí)網(wǎng)絡(luò)會(huì)帶來(lái)更多的超參數(shù)，形成了死循環(huán)。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2367

@zhangjun 推薦

#Neural Architecture Search

本文來(lái)自密西根州立大學(xué)，論文提出了一種多目標(biāo)神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索框架 NSGA-Net，整個(gè)算法框架基于進(jìn)化算法思路，通過(guò) crossover 和 mutation 進(jìn)行 exploration，然后基于已有的知識(shí)，學(xué)習(xí)一個(gè)基于貝葉斯優(yōu)化模型（BOA），用于 exploitation。此處的 BOA 和自動(dòng)調(diào)參中常見(jiàn)的貝葉斯優(yōu)化不同，而是一種 EDA 算法，用貝葉斯網(wǎng)絡(luò)作為概率模型。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2393

源碼鏈接

https://github.com/ianwhale/nsga-net

@paperweekly 推薦

#Recommender System

本文是北京大學(xué)發(fā)表于 WSDM 2018 的工作。基于異構(gòu)信息網(wǎng)絡(luò)（HIN）的推薦由于其在模擬協(xié)同過(guò)濾、內(nèi)容過(guò)濾、上下文感知推薦等方面的能力而受到廣泛關(guān)注。現(xiàn)有各類(lèi)方法的關(guān)鍵在于如何正確設(shè)置異構(gòu)信息網(wǎng)絡(luò)中各種 link 的權(quán)重。?

本文提出了一種基于貝葉斯個(gè)性化排序（BPR）的機(jī)器學(xué)習(xí)方法——HeteLearn，來(lái)學(xué)習(xí)異構(gòu)信息網(wǎng)絡(luò)中的 link 權(quán)重，并將其應(yīng)用于個(gè)性化推薦任務(wù)。作者在個(gè)性化推薦和標(biāo)簽推薦任務(wù)上對(duì)本文方法進(jìn)行了測(cè)試，實(shí)驗(yàn)表明，本文方法表現(xiàn)明顯優(yōu)于傳統(tǒng)的協(xié)同過(guò)濾推薦算法和當(dāng)前最先進(jìn)的基于 HIN 的推薦方法。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2413

@deanli?推薦

#Graph Convolution Neural Network

本文是斯坦福大學(xué)發(fā)表于 KDD 2018 的工作。論文提出了一種圖卷積網(wǎng)絡(luò)層次化的池化方法，“圖卷積網(wǎng)絡(luò)+池化”可以將 graph 表示成低維向量，從而簡(jiǎn)化 graph 之間的計(jì)算。本文方法與現(xiàn)有 Graph Pooling 方法不同的是，作者將 graph 中 vertex 的層次關(guān)系考慮了進(jìn)去。?

如何獲取 vertex 的層次關(guān)系以及如何將 l 層的 n 個(gè) vertex 映射到 l+1 層的 m 個(gè) vertex 是研究的重點(diǎn)之一。本文通過(guò) GCN 學(xué)習(xí)得到 assign matrix S ∈ R^(n*m)，assign matrix 中元素代表 l 層中 vertex 與 l+1 層中 m 個(gè) vertex 的關(guān)聯(lián)強(qiáng)度。通過(guò) S 對(duì) l 層的 adjacency matrix 和vertex matrix 做變換得到 l+1 層的兩個(gè)矩陣，作為 GCN 的輸入。

▲?論文模型：點(diǎn)擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2406

#推 薦 有 禮#

本期所有入選論文的推薦人

均將獲得PaperWeekly紀(jì)念周邊一份

▲?深度學(xué)習(xí)主題行李牌/卡套 + 防水貼紙

?禮物領(lǐng)取方式?

推薦人請(qǐng)根據(jù)論文詳情頁(yè)底部留言

添加小助手領(lǐng)取禮物

想要贏取以上周邊好禮？

點(diǎn)擊閱讀原文即刻推薦論文吧！

點(diǎn)擊以下標(biāo)題查看往期推薦：?

• ??15篇最新AI論文了解一下 | 本周值得讀

• ??收下這12篇最新論文，煉丹不愁沒(méi)靈感

• ??暑假?zèng)]人帶怎么辦？還有我們?yōu)槟阃扑]論文

• ??本周份AI論文推薦新鮮出爐！真的很skr了~
  

• ??想了解推薦系統(tǒng)最新進(jìn)展？請(qǐng)收好這些篇論文

• 正經(jīng)煉丹師如何完美安排國(guó)慶長(zhǎng)假？

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達(dá)讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？?答案就是：你不認(rèn)識(shí)的人。

總有一些你不認(rèn)識(shí)的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學(xué)者和學(xué)術(shù)靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵(lì)高校實(shí)驗(yàn)室或個(gè)人，在我們的平臺(tái)上分享各類(lèi)優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學(xué)習(xí)心得或技術(shù)干貨。我們的目的只有一個(gè)，讓知識(shí)真正流動(dòng)起來(lái)。

??來(lái)稿標(biāo)準(zhǔn)：

? 稿件確系個(gè)人原創(chuàng)作品，來(lái)稿需注明作者個(gè)人信息（姓名+學(xué)校/工作單位+學(xué)歷/職位+研究方向）?

? 如果文章并非首發(fā)，請(qǐng)?jiān)谕陡鍟r(shí)提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認(rèn)每篇文章都是首發(fā)，均會(huì)添加“原創(chuàng)”標(biāo)志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請(qǐng)單獨(dú)在附件中發(fā)送?

? 請(qǐng)留下即時(shí)聯(lián)系方式（微信或手機(jī)），以便我們?cè)诰庉嫲l(fā)布時(shí)和作者溝通

?

現(xiàn)在，在「知乎」也能找到我們了

進(jìn)入知乎首頁(yè)搜索「PaperWeekly」

點(diǎn)擊「關(guān)注」訂閱我們的專(zhuān)欄吧

關(guān)于PaperWeekly

PaperWeekly 是一個(gè)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(tái)。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號(hào)后臺(tái)點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點(diǎn)擊 |?閱讀原文?| 獲取更多論文推薦

與50位技術(shù)專(zhuān)家面對(duì)面20年技術(shù)見(jiàn)證，附贈(zèng)技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的又为写作思路熬到秃头？这16篇最新论文打包送你的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。