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 123?篇文章

@guohao916 推薦

#Machine Reading Comprehension

本文來自加州理工、華盛頓大學和 AI2。論文針對對話式機器閱讀理解，提出了針對問題歷史記錄與篇章的Flow機制，這種機制可以通過交替的并行處理結構結合在回答前一個問題的過程中產生的中間表示，將先前的問題/答案連接起來作為輸入。

與之前的淺層方法相比，Flow 更深入地整合了對話歷史的潛在語義。相比于基準算法，本文提出的 FlowQA 模型在最近公開的兩個對話式機器閱讀理解數據集上均表現出優異的性能（CoQA為+ 7.2％，QuAC為+ 4.6％）。通過減少對會話機器理解的順序構建理解，FlowQA 在 CoQA 數據集中在所有不同的七個領域中達到了最佳。

Flow 的有效性也體現在其他任務中。在 SCONE 的三個領域中，FlowQA 模型相比于基準算法在驗證集和測試集上效果都有所提升。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2577

源碼鏈接

https://github.com/momohuang/FlowQA

@Luolc 推薦

#Dialogue Generation

本文是北京大學孫栩老師組發表在 EMNLP 2018 上的工作。在對話生成中任務，流行的基于 MLP 的學習方法傾向于生成“萬能”回復，例如“I don't know”等缺少和輸入語句有語義關聯，沒有意義的回復。

本文提出了一種基于 Auto-Encoder 對齊的模型，在訓練中分別用兩個 Auto-Encoder 非監督的學習輸入和輸出兩者的句子表示，并使用一個 Matching Model 學習兩者的對齊方式。自動化評測和人工評測顯示這一方法可以顯著提高對話生成的相關性、流暢度和多元性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2521

源碼鏈接

https://github.com/lancopku/AMM

@zhangjun 推薦

#Bayesian Deep Learning

本文是 CMU 發表于 EMNLP 2018 的工作，作者基于 ICML 2017 論文 Deep Bayesian Active Learning with Image Data 中的方法，對 NLP 幾大任務進行了實驗，驗證了基于貝葉斯 RNN 和 CNN 的主動學習方法的有效性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2594

源碼鏈接

https://github.com/asiddhant/Active-NLP

@qifanchao866 推薦

#Cross-lingual

本文是清華大學劉知遠老師組發表于 EMNLP 2018 的工作，論文提出了跨語言詞的義原推薦這一任務，并且設計了基于融合義原信息的雙語詞表示和協同過濾的框架實現了較好的跨語言詞義原推薦效果。

本文研究的問題是一個全新的問題，此前沒有針對該問題的解決方法。而因為不同語言之間存在詞的語義差異，直接將知網（HowNet）翻譯成其他語言是不可行的。另外，義原比較隱晦，如何利用機器學習方法學習其表示也是一個挑戰。

本文提出了基于融合義原信息的雙語詞表示和協同過濾的框架。將有義原標注的語言定義為源語言，需要進行義原標注的語言定義為目標語言。第一個模塊用來學習在同一個語義空間的雙語詞向量，包含分別從源語言和目標語言單語語料中學習單語詞向量、利用種子詞典和匹配機制對齊雙語詞向量，以及將義原信息融入源語言詞向量中三個部分。第二個模塊利用第一個模塊得到的雙語詞向量，利用基于協同過濾的方法為目標語言詞進行義原推薦。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2533

源碼鏈接

https://github.com/thunlp/CLSP

@honeyht 推薦

#Conditional Random Fields

本文是首爾大學發表于 ACL 2018 的工作。一般的一階或二階 CRF 不能實現遠距離命名實體間的信息轉換，且高階的計算復雜不宜實現。本文提出一種前驅體誘導的線性鏈 CRF 方法實現遠距離 NER。模型主要利用遠距離實體間的外部令牌 outside label 作為信息媒介，將原始輸入序列視為 <entity, outsides+, entity> 模式，通過媒介將第一個實體的信息傳遞給第二個。

結果表明模型稍微改善了臨床和生物醫學領域 NER 的效率，同時顯著減少了計算量。模型未來改進：（1）應用到更多領域；（2）結合深度學習，如 LSTM-CRF等。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2566

源碼鏈接

https://github.com/jinsamdol/precursor-induced_CRF

@chenhong 推薦

#Object Detection

傳統基于 R-CNN 的架構通過回歸邊界框實現定位，RoI 的特征需要 flatten + FCs 預測邊界框，屬于曲線救國。ECCV 2018 的 CornerNet 通過直接預測邊界框的左上角和右下角，預測目標的邊界框。而本文是商湯最新提出的 Grid R-CNN，直接預測邊界框包含四個邊界在內的 9 宮格，在 Faster R-CNN/Mask R-CNN 基礎上實現 state-of-the-art。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2583

@paperweekly 推薦

#Deformable Convolutional Networks

本文來自中科大和微軟亞洲研究院，論文提出了可變形卷積網絡的新版本——第二代可變形卷積網絡（Deformable ConvNets v2，簡稱 DCNv2）。

目標檢測任務重有一個較為棘手的問題，即幾何形變（Geometric Variations）。本文作者認為 Deformable ConvNets v1 存在的問題是在 RoI 外部的這種幾何形變適應性表現得不好，導致特征會受到無關圖像內容影響。

本文在 v1 的基礎上做了如下改進：1）增加可變形卷積的層數；2）增加可調節的可變形模塊；3）采用蒸餾的方法模仿 RCNN 的特征。實驗表明，DCNv2 在 ResNet-50 backbone COCO 上相比 DCNv1 提升了 5 個點。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2602

@YuSuen 推薦

#Generative Adversarial Networks

本文來自 MIT、香港中文大學、Google Research 和 IBM Research，論文為理解 GAN 的內部表征提供了第一個系統性分析，并利用分析框架實現了各種有趣的應用。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2600

源碼鏈接

https://github.com/CSAILVision/gandissect

@paperweekly 推薦

#Gait Recognition

本文是復旦大學發表于 AAAI 2019 的工作。論文研究的問題是步態識別，作者將步態識別視頻序列視為圖像集，在此基礎上提出了 GaitSet 算法。

具體來說，作者通過以下三個步驟提取步態序列特征：1）提取單幅步態輪廓圖像的 CNN 特征；2）將各幅圖像的 CNN 特征聚合成一個特征向量；3）考慮提取多尺度特征，并通過全連接網絡提高特征的鑒別性。本文方法在 CASIA-B 和 OU-MVLP 數據集上大幅超越了當前的 SOTA 算法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2604

數據集鏈接

https://github.com/AbnerHqC/GaitSet

@paperweekly 推薦

#Image Understanding

本文是韓國科學技術院發表于 NeurIPS 2018 的工作，論文針對場景圖生成任務提出了一個 Relational Embedding 模塊，可以利用圖片中所有的物體特征對某個物體的特征進行更新。此外，作者還提出了一個全局上下文編碼模塊對全局上下文信息進行編碼，以及一個幾何布局編碼模塊來顯式使用幾何布局信息。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2603

@cuthbert 推薦

#Domain Adaptation

本文是清華大學龍明盛老師組發表于 AAAI 2019 的工作。Domain Adaptation 的目的是為了減小 source domain 和 target domain 之間的 discrepancy，使得在 source domain 上訓練的模型也能較好地作用于 target domain。

最近的 Deep Domain Adaptation 大多專注于設計 GAN 的網絡結構來解決問題，本文沒有繼續在網絡結構或損失函數上做文章，而是引入 attention 機制來解決以往 Adversarial Domain Adaptation 方法中細粒度不夠的問題。

文章設計了兩種 attention 來探尋圖片中不同結構和區域的可遷移性，達到了 fined-grained transfer。相比以往引入類別信息，構造條件概率模型的方法，attention的引入給出了另一個很有意思的工作方向。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2581

@SandyKid 推薦

#Deep Neural Networks

本文來自 CMU、USC、北京大學和 MIT，論文證明了使用梯度下降可以在多項式時間內將一個神經網絡的訓練損失下降到 0，對深入理解神經網絡的機制以及該算法的白盒化有一定學習意義。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2598

@Aspirinkb 推薦

#Deep Learning

本文來自 Facebook AI Research，論文改進了一種新穎的浮點數表示法（posit），使其更加適用于神經網絡的訓練和推理，并在 FPGA 上進行了對比實驗。和 IEEE-754 浮點數標準相比，本論文基于改進的浮點數系統，可以實現低 bit 神經網絡訓練和高效推理，不再需要后續的量化壓縮過程就可以部署在嵌入式等資源受限終端。

該論文提出的方法區別于神經網絡模型的剪枝、量化等常規思路，直接從浮點數表示這個更加基本、底層的角度嘗試解決模型的壓縮加速問題，是一個很新穎的方式，且效果不錯，值得深入研究。除了論文，作者還給出了代碼實現和博客文章，幫助理解。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2556

源碼鏈接

https://github.com/facebookresearch/deepfloat

@jsh0123 推薦

#Attacks Detection

本文是南京大學周志華教授團隊發表于 NeurIPS 2018 的文章，文中定義了一種對于推薦系統的新型攻擊模式——無組織的惡意攻擊，公式化定義該問題，利用近似交替分裂增廣拉格朗日法解決該問題，實驗效果顯著。該文在 arXiv 最早 2016 年發表，前后修改多次，于今年正式發表于 NeurIPS。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2575

@paperweekly 推薦

#Recommender System

本文是新加坡國立大學發表于 IJCAI 2018 的工作，論文基于評論文本對用戶偏好和商品特征進行抽取，提出了一種自適應注意力模型用于用戶評論的智能排序，不斷學習用戶對商品在不同關注點方面的權重，進而提升推薦效果。

本文解決了已有方法忽視不同用戶對商品不同側面關注點不同的缺陷，并且在 Amazon Product Review 和 Yelp 2017 這兩個大規模推薦系統數據庫上取得了領域內最好效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2560

源碼鏈接

https://github.com/hustlingchen/A3NCF

#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

*每位用戶僅限領取一次

想要贏取以上周邊好禮？

點擊閱讀原文即刻推薦論文吧！

點擊以下標題查看往期推薦：?

• ??又為寫作思路熬到禿頭？16篇最新論文打包送你

• ??收下這 16 篇最新論文，周會基本不用愁

• ??這 16 篇最新論文，幫你輕松積攢知識點

• ??本周份AI論文推薦新鮮出爐！真的很skr了~
  

• ??想了解推薦系統最新進展？請收好這些篇論文

• 正經煉丹師如何完美安排國慶長假？

• 本周有哪些值得讀的AI論文？進來告訴你答案

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？?答案就是：你不認識的人。

總有一些你不認識的人，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、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

??來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

?

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

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?| 獲取更多論文推薦

總結

以上是生活随笔為你收集整理的论文多到读不完？不如看看我们为你精选的这 15 篇的全部內容，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。