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(qū)，查看更多最新論文推薦。

這是 PaperDaily 的第 135篇文章

各位煉丹師，小長假結束后的這幾天，你是否出現(xiàn)了以下癥狀：

·不想上課

沉浸在假期中難以自拔，很難相信自己真要上課了，總覺得自己很累，無法集中精力，很難進入學習狀態(tài)。

·旅游后遺癥

旅途中過于勞累外加吃睡不規(guī)律。

·每逢過節(jié)胖三斤

假期宅在家，追劇游戲胡吃海喝一個都沒落下。

·起不了床

由于旅行時差或者作息問題，你已經(jīng)變成晚上睡不著，早上醒不來的起床困難戶了。

這些「節(jié)后綜合癥」靠自己難以克服？是時候靠些外力來「支撐」你啦！

小編精挑細選的 15?篇優(yōu)質論文都在這里，助你一鍵擺脫「節(jié)后綜合癥」，精神飽滿，快速回到工作學習狀態(tài)。

@劉佳瑋 推薦

#Knowledge Graph Embedding

本文是新南威爾士大學發(fā)表于 NeurIPS 2019 的工作。在這項工作中，本文超越了傳統(tǒng)的復值表示，為模型實體和知識圖嵌入關系引入了更具表現(xiàn)力的超復雜表示，即四元嵌入，具有三個虛部的超復數(shù)值嵌入用于表示實體。關系被建模為四元數(shù)空間中的旋轉。

所提出的方法的優(yōu)點是：1）利用漢密爾頓積適當?shù)夭东@所有組件之間潛在的相互依賴性，促進實體和關系之間更緊密的交互；2）四元數(shù)能夠在四維空間中進行表達式旋轉，并且比復雜平面中的旋轉具有更大的自由度；3）所提出的框架是 ComplEx 在超復數(shù)空間上的推廣，同時提供更好的幾何解釋，同時滿足關系表示學習的關鍵要求（即對稱性、反對稱性和反演）。實驗結果表明，本文的方法在四個完善的知識圖完成基準上實現(xiàn)了最先進的性能。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3221

源碼鏈接

https://github.com/cheungdaven/QuatE

@kilifunny?推薦

#Semi-Supervised Learning

本文來自 Google Research，這一方法綜合了自洽正則化（Consistency Regularization），最小化熵（Entropy Minimization）以及傳統(tǒng)正則化（Traditional Regularization），取三者之長，并補三者之短，提出了 MixMatch 這一方法。在 CIFAR10 上，僅僅使用 250 個標簽數(shù)據(jù)就達到 11% 的錯誤率，遠超其他主流方法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3035

源碼鏈接

https://github.com/google-research/mixmatch

@jhy1993 推薦

#Graph Neural Networks

本文是圖分析大牛 Bryan Perozzi 組發(fā)表于 ICML 2019 的工作。本文 argue 現(xiàn)有的 GNN 模型無法學習到一種很通用的鄰居混合信息，然后提出了 MixHop 來混合不同階鄰居的信息并學習節(jié)點表示。

MixHop 非常的高效并且有很強的理論背景（MixHop 與 delta operators 之間的聯(lián)系）。另外，通過混合各階信息，MixHop 一定程度上避免了 GNN 過平滑問題。GNN 的過平滑問題：隨著層數(shù)的增加，GNN 所學習到的節(jié)點表示變的沒有區(qū)分度。最后作者通過大量的試驗驗證了 MixHop 的效果。

在 Citeseer，Cora 和 Pubmed 上，MixHop 都取得了大量提升。例如，雖然 MixHop 沒有使用注意力機制來學習鄰居的重要性，但其表現(xiàn)依然大幅超過 GAT。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3216

源碼鏈接

https://github.com/samihaija/mixhop

@tron1992?推薦

#Image Segmentation

本文來自廈門大學、騰訊優(yōu)圖、中山大學和香港中文大學。論文提出了一種新的不確定度計算方式，嘗試利用不確定度解決無監(jiān)督域適應的問題。此外，本文還提出了一種基于不確定度的損失。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3207

@馬學喆?推薦

#Seq2Seq

本文是 CMU 和 Facebook AI 聯(lián)合發(fā)表于 EMNLP 2019 的工作。為了解決自自回歸模型（auto regressive）在 Seq2Seq 問題上解碼速度慢，只能利用一側上下文信息等問題，提出了利用 generative flow 的非自回歸模型（non-autoregressive）FlowSeq。在機器翻譯任務上面的相比于之前的非自回歸模型有顯著提高，大大縮小了與自回歸模型的差距。同時解碼速度比自回歸模型明顯加快。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3218

源碼鏈接

https://github.com/XuezheMax/flowseq

@SandraWu 推薦

#Video Representation Learning

近期來自 VGG 的高質量工作，因為沒有在主會議發(fā)表所以沒有引起大范圍關注，但保持了一貫低調又實用的風格。本文提出了一種新型的自監(jiān)督學習（self-supervised learning）方法 Dense Predictive Coding，學習視頻的時空表征，在動作識別任務（UCF101 和 HMDB51 數(shù)據(jù)集）上獲得了 state-of-the-art 的正確率，并且用無需標注的自監(jiān)督學習方法在視頻動作識別上達到了 ImageNet 預訓練的正確率。?

自監(jiān)督學習是利用無標注的數(shù)據(jù)設計代理任務（proxy task），使網(wǎng)絡從中學到有意義的數(shù)據(jù)表征。本文設計的代理任務是預測未來幾秒的視頻的特征，并且用對比損失（contrastive loss）使得預測的特征和實際的特征相似度高，卻不必要完全相等。因為在像素級別（pixel-level）預測未來的幀容易受到大量隨機干擾如光照強度、相機移動的影響，而在特征級別（feature-level）做回歸（regression）則忽視了未來高層特征的不可預測性（如視頻的未來發(fā)展存在多種可能）。

文中的設計促使網(wǎng)絡學習高層語義特征，避免了網(wǎng)絡拘泥于學習低層特征。作者在不帶標注的 Kinetics400 上訓練了自監(jiān)督任務（Dense Predictive Coding），然后在 UCF101 和 HMDB51 上測試了網(wǎng)絡所學權重在動作識別上的正確率。

Dense Predictive Coding 在 UCF101 數(shù)據(jù)集上獲得了 75.7% 的 top1 正確率，超過了使用帶標注的 ImageNet 預訓練權重所獲得的 73.0% 正確率。該研究結果證明了大規(guī)模自監(jiān)督學習在視頻分類上的有效性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3222

源碼鏈接

https://github.com/TengdaHan/DPC

@ziyuL 推薦

#Brain Computer Interface

本文是一篇基于深度學習的腦機接口綜述，總結了最近幾年 250 余篇前沿研究，根據(jù)腦電信號將 BCI 分成了 7 大類，十余個小類，并對每一類的特性和適合的深度學習模型進行了詳細的介紹。

另外，總結了腦機接口的應用場景，一共 8 大類 15 個小類，例如睡眠檢測，腦部疾病診斷，智能家居等等。最后列出了算法和應用方面的一些挑戰(zhàn)，并給出了一些思考和初步的探索（包括作者發(fā)表在 KDD，UbiComp, AAAI, IJCAI 等頂級會議的工作）。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3020

@jhy1993 推薦

#Intent Recommendation

本文是北京郵電大學和阿里巴巴發(fā)表于 KDD 2019 的工作。針對手機淘寶的用戶意圖推薦，本文設計了基于異質圖神經(jīng)網(wǎng)絡的意圖推薦模型 MEIRec。

傳統(tǒng)商品推薦為用戶推薦商品，而意圖推薦則關注于預測用戶的意圖。本文將意圖推薦的業(yè)務場景建模為異質圖（包含多種類型節(jié)點和關系的圖），然后設計了 metapath-guided heterogeneous Graph Neural Network 來學習該業(yè)務場景下多種不同目標的表示。同時，本文也提出一種 term embedding mechanism 來降低大規(guī)模異質圖場景下的參數(shù)量。最后，在淘寶真實場景下的 AB test 證明了 MEIRec 算法的優(yōu)越性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3208

源碼鏈接

https://github.com/googlebaba/KDD2019-MEIRec

@bugman 推薦

#Text Generation

本文來自中科院，論文將知識圖譜的 Trans 思想引入到句子表示空間，提出了一個新的任務 Sentence Transfer，為了解決這個任務構建了三個數(shù)據(jù)集。人會在寫作的時候使用連詞（discourse marker，比如 and, but, if...）來銜接子句（discourses），連詞用來顯式地表達前后子句之間的語義關系。

因此作者認為在 embedding space 中，子句之間可以利用連詞（表示的關系）進行遷移/翻譯。在學習出句子之間的 Trans 模型后，可以用來分階段生成結構化長句：首先生成首子句，然后選擇一種關系，再 Trans 生成尾子句。這樣的生成方式可以和現(xiàn)有的問答等任務結合。作者還給出了一個數(shù)據(jù)集上的實驗結果。總體來說本文給出了一個新的生成的思路，值得發(fā)掘。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3200

數(shù)據(jù)集鏈接

https://github.com/1024er/TransSent_dataset

@lijin 推薦

#Zero-shot Learning

本文是電子科技大學和昆士蘭大學發(fā)表于 ACM MM 2019 的工作。論文首次提出了生成式零樣本學習中的特征混淆（feature confusion）問題，并提出了一種簡單可行的解決特征混淆的方法。此外，作者還首次提出了一個特征混淆的度量指標。零樣本學習結果在公開數(shù)據(jù)集上達到目前 SOTA 水平。

▲ ?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3210

源碼鏈接

https://github.com/lijin118/AFC-GAN

@jhy1993 推薦

#Text Classification

本文是北京郵電大學和南洋理工發(fā)表于 EMNLP 2019 的工作，文章創(chuàng)新性地將短文本分類問題建模為異質圖（多種類型的節(jié)點和邊）并提出一種端到端的異質圖神經(jīng)網(wǎng)絡。短文本分類往往會遇到稀疏性問題（文本過短，無法提供足夠的信息）。本文通過構圖可以可以的豐富短文本之間的聯(lián)系，進而較好的解決稀疏性問題。

另外，本文創(chuàng)新地提出一種異質圖神經(jīng)網(wǎng)絡 HGAT。HGAT 分別從節(jié)點級別和類型級別聚合信息來更新節(jié)點表示。最后本文在 6 個數(shù)據(jù)集上做了大量的實驗來驗證 HGAT 的優(yōu)越性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3211

@yuyu2223 推薦

#Social Recommendation

本文為發(fā)表在 ICDM 2019 的工作。論文提出了一種基于生成對抗訓練框架的 social recommendation 模型，指出了現(xiàn)有社會化推薦模型中的關系缺失、噪聲問題，并利用對抗訓練改善了這些問題，提高了社會化推薦的效果。此外，以往基于 Policy Gradient 的離散 GAN 在訓練時存在 reward 函數(shù)設計困難，收斂難等問題，本文利用重參數(shù)技巧，對模型進行了 End-to-End 的訓練，繞開了 reward 函數(shù)，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/3201

論文鏈接

http://github.com/Coder-Yu/RecQ

@icaruss 推薦

#Response Generation

本文是微軟發(fā)表于 EMNLP 2019 的工作，這是 SpaceFusion (Jointly optimizing diversity and relevance in neural response generation, NAACL 2019) 的后續(xù)之作。SpaceFusion 嘗試將對話系統(tǒng)中的 source 和 target 映射到同一隱空間上，從而轉換生成對話的問題成為生成隱空間向量的問題。本文（StyleFusion）進一步將額外的風格化文本的特征遷移到生成回復中，從而達到對話個性化和風格化的效果。在若干標準數(shù)據(jù)集上取得了很好的效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3206

源碼鏈接

https://github.com/golsun/StyleFusion

@劉佳瑋?推薦

#Graph Neural Networks

本文是圭爾夫大學發(fā)表于 NeurIPS 2019 的工作。本文的目標是更好地理解圖神經(jīng)網(wǎng)絡（GNN）中節(jié)點的注意力，并確定影響其有效性的因素。本文特別關注將注意力 GNN 泛化到更大，更復雜或更嘈雜的圖的能力。受圖同構網(wǎng)絡工作的啟發(fā)，本文設計了簡單的圖推理任務，使本文能夠在受控環(huán)境中研究注意力機制。本文發(fā)現(xiàn)在典型條件下，注意力的影響可以忽略甚至是有害的，但在某些條件下，它在一些分類任務中提供超過 60％ 的特殊性能提升。在實踐中滿足這些條件是具有挑戰(zhàn)性的，并且通常需要對注意力機制進行監(jiān)督訓練。本文提出了一種替代方法，并以弱監(jiān)督的方式訓練注意力，以接近監(jiān)督模型的性能，并且與無監(jiān)督模型相比，改進了幾個合成數(shù)據(jù)集和真實數(shù)據(jù)集的結果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3220

論文鏈接

https://github.com/bknyaz/graph_attention_pool

@muxin?推薦

#Object Detection

本文是首爾大學和首爾科技大學發(fā)表于 ICCV 2019 的工作。作者提出了一種改進的 YOLOv3 模型，對于我們改進模型有很好的啟示作用。文章清晰明了，便于理解。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3197

#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(jù)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：?

• ??

• ??

• ??

• ??

• ??

• ??

#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)質內容以更短路徑到達讀者群體，縮短讀者尋找優(yōu)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(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(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节后收心困难？这15篇论文，让你迅速找回学习状态的全部內容，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(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。