本期最新 9 篇論文,幫你完美解決「讀什麼」的問題 | PaperDaily #19
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後的探索和思考。 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。 點擊即刻加入社區,查看更多最新論文推薦。
[ 自然語言處理 ]
Style Transfer in Text: Exploration and Evaluation
@zhangjun 推薦
#Transfer Learning
本文嘗試在用 non-parallel data 來做文本的 style transfer,已被 AAAI 2018 錄用。
論文鏈接:https://www.paperweekly.site/papers/1177
An Encoder-Decoder Framework Translating Natural Language to Database Queries
@zhangjun 推薦
#Natural Language Generation
本文用端到端框架將自然語言轉換為 SQL 語句,並在學術搜索和電影搜索問題上進行了實驗。
論文鏈接:https://www.paperweekly.site/papers/1147
Aggressive Sampling for Multi-class to Binary Reduction with Applications to Text Classification
@guotong1988 推薦
#Text Classification
把多分類問題轉化成二分類問題,10000 多個類別的文本分類,多個指標 SOTA。
論文鏈接:https://www.paperweekly.site/papers/1184
[ 計算機視覺 ]
MegDet: A Large Mini-Batch Object Detector
@chenhong 推薦
#Object Detection
曠視科技新出的一篇論文,作者主要提高 batch size 實現目標檢測,GPU 也是相當大的,128 個 GPU,也不是一般公司能幹的起的。
論文鏈接:https://www.paperweekly.site/papers/1202
Interpretable R-CNN
@Synced 推薦
#Object Detection
由於深度學習已經在需要做出重大決策的領域如安防和自動駕駛中得到越來越廣泛的應用,深度網路的可解釋性稱為愈加迫切的需要。北卡羅來納州立大學與阿里巴巴 AI 實驗室的研究人員近日提出了一種聚焦於目標檢測的定性可解釋的 R-CNN 網路,實現了未來人機對話的開端。
論文鏈接:https://www.paperweekly.site/papers/1215
What is the Role of Recurrent Neural Networks (RNNs) in an Image Caption Generator?
@jamiechoi 推薦
#Image Captioning
文章比較了 RNN 在 image caption 里的兩種作用:1. RNN 用來 encode 文字和圖片;2. RNN 只 encode 文字。
論文鏈接:https://www.paperweekly.site/papers/1200
[ 機器學習 ]
MinimalRNN: Toward More Interpretable and Trainable Recurrent Neural Networks
@paperweekly 推薦
#Recurrent Neural Networks
本文提出了一種更加簡潔的 RNN 模型,實驗證明可以捕獲到更加長程的依賴。
論文鏈接:https://www.paperweekly.site/papers/1192
SafePredict: A Meta-Algorithm for Machine Learning That Uses Refusals to Guarantee Correctness
@Synced 推薦
#Distributed Machine Learning
SafePredict 是一種新型元演算法,可以使用拒絕機制保證正確率,其錯誤界限不依賴於任何關於數據分布或基礎預測器的假設。該演算法與頂尖的基於置信度的拒絕機制相比更有優勢,可以更魯棒地保證正確率,並減少拒絕的數量。
論文鏈接:https://www.paperweekly.site/papers/1179
Exploiting Dining Preference for Restaurant Recommendation
@LiFeng 推薦
#POI Recommendation
1. 微軟亞洲研究院+中科大的組合,強強聯合,專門做推薦的,幾位作者都是專家,網上都有主頁的,建議看看,這篇文章本身是發表在WWW 2016上的;
2. 文章考慮顯示反饋(評分,評論)、隱式反饋(餐館簽到數據)、上下文數據(地點、用戶人口統計學信息、餐館的屬性等),綜合考慮用戶的進餐偏好,最終給用戶生成推薦列表;
3. 對隱式反饋建模時,考慮用戶-地點-時間3維張量,採用張量分解的方法,並加入上下文因素進行提升;
4. 對顯示反饋建模時,使用主題模型+矩陣分解方法;
5. 最後將隱式和顯式反饋融合;
6. 文章數據集是使用微軟的 LifeSpec 從點評上爬下來的餐館數據和簽到數據,但是未在論文中公布,數據分析進行的很詳細,最後只用了 Recall 作為評價指標,個人認為略顯單調,不過他在文中說了不使用 Precision 的原因;
7. 文中涉及到比較多的數學知識,比如各種高斯分布和隱狄利克雷分布;
8. 個人拙見:要是能和 NTU 那樣開源論文代碼就更好了,當然也有可能考慮到涉及研究機密不開源也是可以理解的。
https://www.paperweekly.site/papers/1188
本文由 AI 學術社區 PaperWeekly 精選推薦,社區目前已覆蓋自然語言處理、計算機視覺、人工智慧、機器學習、數據挖掘和信息檢索等研究方向,點擊即刻加入社區!
我是彩蛋
解鎖新姿勢:用微信刷論文!
PaperWeekly小程序上線啦
今日arXiv√猜你喜歡√熱門資源√
隨時緊跟最新最熱論文
解鎖方式
1. 掃描下方小程序碼打開小程序
2. 用PaperWeekly社區賬號進行登陸
3. 登陸後即可解鎖所有功能
關於PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智慧前沿論文成果的學術平台。如果你研究或從事 AI 領域,歡迎在公眾號後台點擊「交流群」,小助手將把你帶入 PaperWeekly 的交流群里。
微信公眾號:PaperWeekly
新浪微博:@PaperWeekly
推薦閱讀:
※你說說為什麼SVM泛化能力好呢?
※|期刊分享|機器學習|推薦系統挑戰綜述
※用Mxnet實現矩陣分解
※當機器學習性能不是很好時,你會如何優化?
※少數人的智慧
TAG:迁移学习TransferLearning | 目标识别 | 推荐系统 |