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(qū)，查看更多最新論文推薦。

這是 PaperDaily 的第 131?篇文章

@jingyihiter 推薦

#Neural Sequence Generation

本文是自動化所張家俊老師發(fā)表于 TACL 2019 的工作，論文研究的問題是在序列生成任務(wù)的解碼過程中如何進行雙向解碼。文章提出一種新的 beam search 算法用于雙向解碼，提出了改進 transformer 進行雙向解碼的 BIFT model，在機器翻譯和文本摘要任務(wù)上都取得明顯的提升。文中分別給出了詳細的實驗，并附有開源實現(xiàn)代碼。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2867

源碼鏈接

https://github.com/ZNLP/sb-nmt

@paperweekly 推薦

#Abstractive Summarization

本文來自 NAACL-HLT 2019，論文提出了一個名為多級存儲網(wǎng)絡(luò)（MMN）的生成式摘要模型，直接用多級卷積存儲器代替基于 RNN 的編碼器。該模型利用卷積來控制多級句子，段落和整個文本中的表示程度。

此外，本文還貢獻了一個大型抽象摘要數(shù)據(jù)集—Reddit TIFU，包含來自 Reddit 的 120K 個帖子。基于 AMT 的定量評估和用戶研究，本文模型在 Reddit TIFU 和新聞類生成式摘要數(shù)據(jù)集上均優(yōu)于當前最先進的抽象概括方法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2901

源碼鏈接

https://github.com/ctr4si/MMN

@stevewyl 推薦

#Natural Language Understanding

本文來自微軟，論文提出將多任務(wù)學習（MTL）和語言模型進行結(jié)合，提升了 NLU 領(lǐng)域的 GLUE 榜單 1.8%。本文是基于多任務(wù)學習框架和特征共享層硬連接的方式實現(xiàn)的，將原有 MT-DNN 模型中的特征表示層，替換為目前大熱的 BERT。與 BERT 不同的是，微調(diào)是在多個任務(wù)上同時進行的。

本文是在 BERT 的基礎(chǔ)上比較成功的一次探索，后續(xù)可以考慮任務(wù)之間的相關(guān)性。BERT 和 MTL 的結(jié)合可能是接下來的一個研究熱點。 不足之處是沒有重大創(chuàng)新，MTL 的使用比較簡單，有提升空間。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2809

源碼鏈接

https://github.com/namisan/mt-dnn

@Hutommy 推薦

#Dialogue Systems

本文是波恩大學和波鴻魯爾大學發(fā)表于 CoNLL 2018 的工作，論文基本說明了對話系統(tǒng)的類別，而且介紹了 RNN，BiRNN 以及 GRU 的思想。此外，本文結(jié)合了外部知識增加了一種機制，提高處理較低頻的字詞的能力。同時結(jié)合了領(lǐng)域關(guān)鍵字描述編碼，在多回合對話中有所幫助。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2838

源碼鏈接

https://github.com/SmartDataAnalytics/AK-DE-biGRU

@chunhualiu?推薦

#Story Ending Generation

本文是清華大學黃民烈老師組發(fā)表于 AAAI 2019 的工作，論文提供了一種如何利用常識知識做故事結(jié)尾生成的新思路。作者提出利用增量編碼的方式來對 RocStories 數(shù)據(jù)集中的 context 進行編碼，并且將從 ConceptNet 中檢索得到的知識進行編碼，利用 multi-source attention 的方式融合到 context 的編碼過程中。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2775

源碼鏈接

https://github.com/JianGuanTHU/StoryEndGen

@paperweekly 推薦

#Named Entity Recognition

本文是曼徹斯特大學和豐田工業(yè)大學發(fā)表于 NAACL 2018 的工作，論文提出了一種由 flat NER layers 動態(tài)連續(xù)堆疊而成的神經(jīng)網(wǎng)絡(luò)模型，每個 flat NER layer 含有一個 BiLSTM 和 CRF 分別進行輸入編碼和標簽預測，整體模型為 Layered-BiLSTM-CRF。

當前 flat layer 將已被識別為實體的 token 經(jīng)過 LSTM 處理的新表示合并起來，傳遞給下一個 flat layer，從而使得模型能以從內(nèi)到外的方式，充分利用內(nèi)部實體編碼信息識別出外部實體，直到?jīng)]有更外部的實體被識別出來。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2696

源碼鏈接

https://github.com/meizhiju/layered-bilstm-crf

@xiaolu 推薦

#Visual Question Answering

本文是一篇來自港中文、清華大學等機構(gòu)的最新 VQA 論文，被 CVPR 2019 接收為口頭報告。Github 上已經(jīng)有人復現(xiàn)了該工作。

學習多模態(tài)之間的高效特征融合是視覺問答問題的核心，本文提出了一種動態(tài)融合多模態(tài)特征的新方法，通過模態(tài)內(nèi)（intra-modality ）和模態(tài)間（inter-modality）的信息流，交替地在視覺和語言模態(tài)之間傳遞動態(tài)信息。它可以穩(wěn)健地捕獲語言和視覺域之間的高層次語義交互，從而顯著提高視覺問答的性能。?

本文還發(fā)現(xiàn)，基于其它模態(tài)的約束，一種模態(tài)內(nèi)的注意力可以動態(tài)調(diào)節(jié)目標模態(tài)的注意力。本文模型在 VQA2.0 數(shù)據(jù)集上實現(xiàn)了當前最好的效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2859

源碼鏈接

https://github.com/bupt-cist/DFAF-for-VQA.pytorch

@vimjian 推薦

#6D Object Pose Estimation

本文是斯坦福和上海交大發(fā)表于 CVPR 2019 的工作，論文提出了一種可單獨處理兩個數(shù)據(jù)源的異質(zhì)架構(gòu)—DenseFusion。實驗表明，DenseFusion 在 YCB-Video 和 LineMOD 兩個數(shù)據(jù)集上的表現(xiàn)都優(yōu)于當前最先進的方法。此外，研究者還將該方法應用于真實的機器人上，使其可以根據(jù)估計的姿態(tài)來抓取和操縱目標。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2862

源碼鏈接

https://github.com/j96w/DenseFusion

@Flawless1202 推薦

#Object Detection

本文是中山大學和華為諾亞方舟實驗室發(fā)表于 NeurIPS 2018 的工作，論文提出了大尺度目標檢測的新思路，通過顯性知識和隱性知識模塊，將先驗信息融合到神經(jīng)網(wǎng)絡(luò)中以豐富特征，取得了 SOTA 的效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2820

源碼鏈接

https://github.com/chanyn/HKRM

@paperweekly 推薦

#Pose Transfer

本文來自特倫托大學和Snap，論文研究的問題是將視頻中的物體動作遷移到一張圖片上，然后基于這張圖片和指定動作生成一個新視頻。

作者通過一個深度框架夠?qū)⑼庑魏瓦\動信息解耦，該框架由三個模塊組成：1）關(guān)鍵點檢測器，可以無監(jiān)督訓練提取對象關(guān)鍵點；2）深度運動預測網(wǎng)絡(luò)，可從稀疏關(guān)鍵點生成密集的熱圖（heatmaps），從而更好地編碼運動信息；3）運動遷移網(wǎng)絡(luò)，該網(wǎng)絡(luò)基于運動熱圖和從輸入圖像提取的外形信息去合成輸出幀。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2836

源碼鏈接

https://github.com/AliaksandrSiarohin/monkey-net

@BelieveOP5 推薦

#Image Generation

本文是 Google AI 發(fā)表于 PMLR 2018 的工作，論文將圖像超分辨和 Self-Attention 機制結(jié)合起來，提出了一種將 Self-Attention 機制應用在圖像生成領(lǐng)域上的新方法，值得一看。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2842

源碼鏈接

https://github.com/tensorflow/tensor2tensor

@alichen 推薦

#Robotics

本文是普渡大學發(fā)表于 ICRA 2019 的工作。這篇文章提出了 Flapping Wing Micro Air Vehicles (FWMAVs) 開源仿真平臺，并比較了仿真和實驗測得的 force map，開環(huán)控制響應及閉環(huán)控制響應，發(fā)現(xiàn)仿真結(jié)果和實驗結(jié)果非常相近。

和其他機器人仿真相比（例如 legged robots, ground vehicles），FWMAVs 仿真需要考慮在高頻的 flapping motion 下，周圍空氣動力學的不穩(wěn)定性，對系統(tǒng)進行建模難度更大。這個平臺可用于機器人設(shè)計、控制與優(yōu)化的研究，并與和 OpenAI Gym 環(huán)境完全兼容，利于今后強化學習和飛行控制相結(jié)合的研究。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2860

源碼鏈接

https://github.com/purdue-biorobotics/flappy

@paperweekly 推薦

#Collaborative Filtering

本文是 Netflix、MIT 和 Google AI 發(fā)表于 WWW 2018 的工作，論文將變分自編碼器（VAE）擴展到協(xié)同過濾以進行隱式反饋，通過非線性概率模型克服線性因子模型的局限。其次，作者引入了具有多項式似然（multinomial likelihood）的生成模型，并使用貝葉斯推斷進行參數(shù)估計。

作者基于 VAE 提出了一個生成模型 VAE_CF，并針對 VAE 的正則參數(shù)和概率模型選取做了適當調(diào)整，使其在當前推薦任務(wù)中取得最佳結(jié)果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2606

源碼鏈接

https://github.com/dawenl/vae_cf

@zhangjun 推薦

#Bayesian Neural Network

本文是 UCLA 和 UC Davis 發(fā)表于 ICLR 2019 的工作，論文提出了一種新的對抗防御方法，結(jié)合了貝葉斯神經(jīng)網(wǎng)絡(luò)（BNN）和對抗訓練的優(yōu)勢，獲得了不錯的效果。其中，BNN 將每個權(quán)重參數(shù)視作一個隨機變量，在預測時相當于一個無限個數(shù)的集成模型，實驗證明只依靠 BNN 并不能做好防御，結(jié)合對抗訓練才會提升模型的防御能力。

點評：本文沒有提出原創(chuàng)的方法，而是結(jié)合兩種現(xiàn)有的方法進行了組合測試，取得了不錯的效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2758

源碼鏈接

https://github.com/xuanqing94/BayesianDefense

@RememberMe 推薦

#Financial Time Series

本文提出了一種確定股票價格時間序列中最佳 buy, sell, hold 時間點的股票交易模型，作者結(jié)合了兩種已有方法 GA+DMLP (Genetic Algorithm and Deep Multi Layer Perceptron)。

具體思路：已有 1）技術(shù)分析指標（technical analysis indicator）作為深度網(wǎng)絡(luò)模型的輸入特征來做時間序列預測；2）用于技術(shù)分析指標尋優(yōu)的進化算法。本文結(jié)合二者，將進化算法優(yōu)化后的技術(shù)分析指標作為深度網(wǎng)絡(luò)的輸入特征，從而嘗試使深度網(wǎng)絡(luò)從進化算法的優(yōu)化中學習判斷最佳的進出點。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2889

源碼鏈接

https://github.com/omerbsezer/SparkDeepMlpGADow30

@chlr1995?推薦

#Network Pruning

本文是圖森發(fā)表在 ECCV 2018 的工作，論文在結(jié)構(gòu)稀疏化的基礎(chǔ)上提出了一種更簡潔的方式，達到粗粒度的剪枝（直接剪枝整個 residual function/aggregated residual block 中的一個 group），通過引入一個結(jié)構(gòu)縮放因子 lambda，在訓練過程中對 lambda 施加一個 L1 正則化，訓練結(jié)束后，剪掉 lambda=0 的塊或 group，達成網(wǎng)絡(luò)剪枝的效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2540

源碼鏈接

https://github.com/huangzehao/sparse-structure-selection

#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(lǐng)取方式?

推薦人請根據(jù)論文詳情頁底部留言

添加小助手領(lǐng)取禮物

*每位用戶僅限領(lǐng)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：?

• ??開學綜合癥有救了！17篇最新AI論文不容錯過

• ??NLP、CV、ML方向最新論文清單

• ??本周有哪些值得讀的論文？不如看看這18篇

• ??近期值得讀的10篇GAN進展論文
  

• ??近期必讀的12篇「推薦系統(tǒng)」相關(guān)論文

• ??近期知識圖譜頂會論文推薦，你都讀過哪幾篇？

#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(shù)靈感相互碰撞，迸發(fā)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(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學習心得或技術(shù)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(chuàng)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(fā)，請在投稿時提醒并附上所有已發(fā)布鏈接?

? PaperWeekly 默認每篇文章都是首發(fā)，均會添加“原創(chuàng)”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(fā)送?

? 請留下即時聯(lián)系方式（微信或手機），以便我們在編輯發(fā)布時和作者溝通

?

現(xiàn)在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關(guān)注」訂閱我們的專欄吧

關(guān)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(shù)平臺。如果你研究或從事 AI 領(lǐng)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(jié)

以上是生活随笔為你收集整理的本周值得读的15篇AI论文，还有源码搭配服用的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。