又為寫作思路熬到禿頭？這16篇最新論文打包送你

資料探勘 · 發表 2018-10-19 18:06:27

摘要： @wangqy96 推薦 #Knowledge Base 本文是倫斯勒理工大學發表於 INLG 2018 的工作，論文為結構化 KB 提供了有效的描述生成，並且提出基於 KB 重建的 metric 來評估在輸出中正確表達的...

@wangqy96 推薦

#Knowledge Base

本文是倫斯勒理工大學發表於 INLG 2018 的工作， 論文為結構化 KB 提供了有效的描述生成，並且提出基於 KB 重建的 metric 來評估在輸出中正確表達的事實數量。 此外，論文還建立一個基於 Wikipedia 的 KB description dataset，包含 106,216 個實體。

論文連結： ofollow,noindex"> https://www. paperweekly.site/papers /2369

原始碼連結： https:// github.com/EagleW/Descr ibing_a_Knowledge_Base

@paperweekly 推薦

#Document Relevance Ranking

本文是 Google AI 發表於 EMNLP 2018 的工作， 主要研究的是深度學習在檢索中的應用。論文提出了三種針對文件相關性排序的新模型 ，這幾種模型基於此前的 DRMM 模型（ A Deep Relevance Matching Model for Ad-hoc Retrieval ）。具體來說，DRMM 模型使用的是上下文無關的 term encoding 編碼方式，而本文提出的改進模型則借鑑了 PACRR 的思想，融合了 n-grams 和不同方式編碼的上下文資訊。

作者在 BioASQ 和 TREC Robust 2004 兩個資料集進行了實驗，實驗證明本文模型優於 BM25-baseline、DRMM 和 PACRR。

論文連結： https://www. paperweekly.site/papers /2402

原始碼連結： https:// github.com/nlpaueb/deep -relevance-ranking

@paperweekly 推薦

#Graph to Sequence Learning

本文是 IBM Research 發表於 ACL 2018 的工作， 論文提出了一種將圖直接對映為序列的端到端模型——Graph2Seq。 與 Seq2Seq 類似，該模型由一個 Graph 編碼器和一個 Sequence 解碼器組成。Graph 編碼器將輸入的圖對映為一個圖的表示以及一系列節點表示，而 Sequence 解碼器則基於這些表示生成相應的目標序列。

通過在 bAbI 任務、最短路徑任務以及自然語言生成任務上的實驗，本文證明了 Graph2Seq 模型可以被有效地用於從圖到序列的任務。

論文連結： https://www. paperweekly.site/papers /2358

原始碼連結： https:// github.com/beckdaniel/a cl2018_graph2seq

@paperweekly 推薦

#Word Embeddings

本文是 Infinia ML Research、杜克大學和騰訊 AI Lab 發表於 NIPS 2018 的工作。論文基於 Wasserstein 距離和 Distillation 機制提出了一個全新思路， 通過聯合訓練基於歐式距離的詞向量和基於 Wasserstein 距離的主題模型，大幅提升了詞向量的語義準確度。

論文連結： https://www. paperweekly.site/papers /2411

@paperweekly 推薦

#Relation Extraction

本文是根特大學發表於 EMNLP 2018 的工作， 論文提出了一個能同時執行實體識別和關係抽取任務的 multi-head selection 聯合模型。 實驗證明本文模型在大多數資料集上，可以在不依賴其他 NLP 工具、且不使用人工設定特徵的情況下，同步解決多關係問題。

論文連結： https://www. paperweekly.site/papers /2403

原始碼連結： https:// github.com/bekou/multih ead_joint_entity_relation_extraction

@hsu 推薦

#Semantic Segmentation

本文是 Google 發表於 NIPS 2018 的工作， 論文首次提出了一個基於元學習的語義分割模型 ，可避免調參時過於玄學、沒有規律性的特點，受NAS啟發設計基於搜尋空間的語義分割網路模型。

此外， 論文還提出了基於 Dense Prediction Cell (DPC) 構建的遞迴搜尋空間，對多尺度上下文資訊編碼，實現語義分割任務。 作者採用基於隨機搜尋的搜尋策略來找到最優的網路結構引數配置。

論文連結： https://www. paperweekly.site/papers /2404

原始碼連結： https:// github.com/tensorflow/m odels/tree/master/research/deeplab

@Kralkatorrik 推薦

#Face Recognition

人證比對是人臉識別的一個重要應用場景，在主流的人臉識別研究中，通常是研究如何獲取更好的人臉表徵。 本文提出了一種叫做 DocFace 的方法，通過遷移學習，將處於不同 domain 的證件照和生活照樣本對映到同一個 domain 中。

具體流程如下：

1. 使用 AM-Softmax 在清洗過的 MS-Celeb-1M 資料集上訓練一個基礎網路 F；

2. 從這個網路開始同時訓練兩個網路 (G,H) 來適應證件照和生活照，這個過程使用作者提出的 MPS loss 損失函式。

最終模型在私有 ID-Selfie 資料集上相比 basenetwork 能獲得 30% 以上的提升（[email protected]）。

論文連結： https://www. paperweekly.site/papers /2399

原始碼連結： https:// github.com/seasonSH/Doc Face

@zmaker 推薦

#Convolutional Neural Network

本文是上海交大和杜克大學發表於 ECCV 2018 的工作， 論文提出了一種基於 Quaternion 的 CNN——QCNN 。QCNN 將影象的 RGB 通道轉換到 Quaternion 數域進行討論，並由此給出了 quaternion convolution layers 和 quaternion fully-connected layers 等結構。文章從"微觀"上進行改進，提出了新的卷積神經網路，在 high-level vision task 和 low-level vision task 都取得了不錯的效果。

論文連結： https://www. paperweekly.site/papers /2392

@Kralkatorrik 推薦

#Face Recognition

本文是商湯科技、UCSD 和南洋理工大學發表於 ECCV 2018 的工作。 論文對於現有人臉資料集中的標籤噪聲問題進行了深入研究 ，對 MegaFace 和 MS-Celeb-1M 資料集中的噪聲特性和來源做了全面的分析，發現乾淨子集對於提高人臉識別精度效果顯著。

論文連結： https://www. paperweekly.site/papers /2384

資料集連結： https:// github.com/fwang91/IMDb -Face

@Fiersies 推薦

#Scene Understanding

本文是北京大學、MIT、位元組跳動和曠視科技發表於 ECCV 2018 的工作，論文提出了名為統一感知解析 UPP 的新任務，要求機器視覺系統從一張影象中識別出盡可能多的視覺概念；又提出多工框架 UPerNet ，開發訓練策略以學習混雜標註。 UPP 基準測試結果表明，UPerNet 可有效分割大量的影象概念。

論文連結： https://www. paperweekly.site/papers /2379

原始碼連結： https:// github.com/CSAILVision/ unifiedparsing

@xuzhou 推薦

#Wavelet Transform

本文是北京航空航天大學發表於 KDD 2018 的文章， 論文提出將小波變換和深度神經網路進行完美結合，克服了融合的損失 ，對時間序列資料的分析起到了很好的啟發性研究。

論文連結： https://www. paperweekly.site/papers /2373

原始碼連結： https:// github.com/AHoke/Multil evel_Wavelet_Decomposition_Network_Pytorch

@paperweekly 推薦

#Session-based Recommendation

本文是中科大和京東發表於 SIGKDD 2018 的工作。現有的序列化推薦方法往往僅對消費者的短期行為特徵進行分析，沒有充分考慮到使用者的長期偏好以及偏好的動態變化過程。 本文基於使用者行為區別，提出了一個針對商品推薦任務的全新 BINN（Behavior-Intensive Neural Network）模型 ，該模型包括一個 Item Embedding 和兩個 RNN。Item Embedding 對使用者產生的 item 序列運用類 Skip-gram 的模型，兩個 RNN 分別用於捕獲使用者當前偏好和歷史偏好。

論文連結： https://www. paperweekly.site/papers /2414

@zhangjun 推薦

#Bayesian Optimization

本文來自 NIPS 2017 BayesOpt Workshop， 論文提出了一種基於遷移學習的初值設定方法，用來提升貝葉斯優化搜尋最優超引數的效率。 文中通過學習一個基於 DNN 的距離函式，來找到最相似的 K 個 dataset，將這些 dataset 的最優超引數定為 target 任務的幾個初值，開始迭代尋優。

實驗結果表明，高質量的初值將會讓優化收斂更快。但用一個非常複雜的深度學習網路來計算相似度有一點殺雞焉用牛刀的感覺，深度學習網路會帶來更多的超引數，形成了死迴圈。

論文連結： https://www. paperweekly.site/papers /2367

@zhangjun 推薦

#Neural Architecture Search

本文來自密西根州立大學， 論文提出了一種多目標神經網路架構搜尋框架 NSGA-Net ，整個演算法框架基於進化演算法思路，通過 crossover 和 mutation 進行 exploration，然後基於已有的知識，學習一個基於貝葉斯優化模型（BOA），用於 exploitation。此處的 BOA 和自動調參中常見的貝葉斯優化不同，而是一種 EDA 演算法，用貝葉斯網路作為概率模型。

論文連結： https://www. paperweekly.site/papers /2393

原始碼連結： https:// github.com/ianwhale/nsg a-net

@paperweekly 推薦

#Recommender System

本文是北京大學發表於 WSDM 2018 的工作。基於異構資訊網路（HIN）的推薦由於其在模擬協同過濾、內容過濾、上下文感知推薦等方面的能力而受到廣泛關注。現有各類方法的關鍵在於如何正確設定異構資訊網路中各種 link 的權重。

本文提出了一種基於貝葉斯個性化排序（BPR）的機器學習方法——HeteLearn，來學習異構資訊網路中的 link 權重，並將其應用於個性化推薦任務。 作者在個性化推薦和標籤推薦任務上對本文方法進行了測試，實驗表明，本文方法表現明顯優於傳統的協同過濾推薦演算法和當前最先進的基於 HIN 的推薦方法。

論文連結： https://www. paperweekly.site/papers /2413

@deanli 推薦

#Graph Convolution Neural Network

本文是斯坦福大學發表於 KDD 2018 的工作。 論文提出了一種圖卷積網路層次化的池化方法 ，“圖卷積網路+池化”可以將 graph 表示成低維向量，從而簡化 graph 之間的計算。 本文方法與現有 Graph Pooling 方法不同的是，作者將 graph 中 vertex 的層次關係考慮了進去。

如何獲取 vertex 的層次關係以及如何將 l 層的 n 個 vertex 對映到 l+1 層的 m 個 vertex 是研究的重點之一。本文通過 GCN 學習得到 assign matrix S ∈ R^(n*m)，assign matrix 中元素代表 l 層中 vertex 與 l+1 層中 m 個 vertex 的關聯強度。通過 S 對 l 層的 adjacency matrix 和vertex matrix 做變換得到 l+1 層的兩個矩陣，作為 GCN 的輸入。