論文推薦：GAN，信息抽取，機器閱讀理解，對話系統 | 本周值得讀 #35

#機器閱讀理解#

1. MACHINE COMPREHENSION USING MATCH-LSTM AND ANSWER POINTER

作者使用其針對 neural inference 任務提出的 match-lstm 模型做了機器閱讀理解（SQUAD）,其融合 match-lstm 和 pointer-network 的框架在後續多篇工作中出現，包括 squad leaderboard 上目前的第一名 r-net。match-lstm 在標準的 word-by-word attention 之後，將生成的 weighted question representation 和 encoder 讀入的當前 passage vector 一起作為輸入送進 lstm，計算 question related passage representation。這種結構在其他自然語言生成任務上也值得借鑒。

論文鏈接：https://arxiv.org/pdf/1608.07905.pdf

推薦人：孫靜遠，中國科學院（PaperWeekly arXiv組志願者）

#Metric Learning#

2. Metric Learning: A Survey

This paper aims to estimate the distance (metric) function by the training dataset consist of, Type1: Input: (x_i, y_i) output: x_i, y_i are similar or not Type2: Input: (x_i, y_i, z_i) output: y_i is closer to x_i than z_i

對於兩種不同類型的數據類型， 文章里提出了幾種估計方法。 第一種是線性的估計，假設 d_A(x,y) = x^T A y 問題轉化成為估計 A 的問題，Type1 類型的 data 就轉化成了分類問題，思想和 SVM 類似。第二種變成 Ranking 問題，思想和 RankSVM 類似。計算上會比 SVM 難，在某種意義在說就是 RankSVM 的 scoring function 是二次函數的形式。

第二種是非線性的估計，假設 d(x,y) = d_A(f(x), f(y)), f 可以是 RKHS 空間裡面的函數，用 representer thm 轉化成了 kernel 的問題。思想和 kernel svm 非常相似，先把 data map 到非線性的空間，再算 distance。最後是一些 Application, 如 Face recognition，如兩張照片是不是一個人。

論文鏈接：http://web.cse.ohio-state.edu/~kulis.5/pubs/ftml_metric_learning.pdf

推薦人：Ben Dai，香港城市大學（PaperWeekly arXiv組志願者）

#GAN#

3. GeneGAN: Learning Object Transfiguration and Attribute Subspace from Unpaired Data

本文的工作屬於圖像到圖像間的翻譯。類似於 DiscoGAN、CycleGAN 和 DualGAN，作者通過對偶學習，加上弱監督信息（weak 0/1 label），成功實現圖像屬性的遷移。G 採用 autoencoder 結構，encoder 將圖像編碼成圖像主體信息（如：圖像背景和人臉 ID 等）和屬性信息（如：微笑、戴眼鏡、髮型等），decoder 則類似於 CGAN，將圖像主體信息和屬性信息翻譯成圖像。通過修改輸入 decoder 的屬性信息，實現屬性的遷移。這種遷移成功的關鍵在於對偶學習機制（L1 重構誤差），以及平行四邊形 loss 和 nulling loss。值得一提的是，跟 CycleGAN 等相比，GeneGAN 只需要 generator 和 discriminator 各一個。文章在 CelebA 和 Multi PIE 數據集上進行實驗，得到了不錯的人臉屬性遷移效果。 亮點推薦：推薦學習文章對弱監督信息的處理技巧。

代碼地址：Prinsphield/GeneGAN

論文鏈接：https://arxiv.org/abs/1705.04932

推薦人：洪佳鵬，北京大學（PaperWeekly arXiv組志願者）

#ACL2017#

4. Joint Modeling of Content and Discourse Relations in Dialogues

本文研究的問題非常有意思，從多人會議中抽取關鍵信息，從而進一步自動生成會議摘要。類似的，我們可以做微信群的討論摘要和精彩討論抽取，以及其他多人對話、討論場景中的重點信息抽取和摘要生成。

論文鏈接：https://arxiv.org/abs/1705.05039

推薦人：大俊，PaperWeekly 首席客服

#對話系統#

5. Key-Value Retrieval Networks for Task-Oriented Dialogue

本文的具體研究場景是車載智能助理，作者提出了一種基於知識庫的端到端解決方案，車的 response 信息檢索自形如 key-value 知識庫中。文章會在後面開放出一個數據集出來供大家研究。本文工作來自斯坦福 Christopher D. Manning 組。

論文鏈接：https://arxiv.org/pdf/1705.05414.pdf

推薦人：大俊，PaperWeekly 首席客服

#IJCAI 2017#

6. Learning to Identify Ambiguous and Misleading News Headlines

信息過載是一個非常嚴重的事情，而大量的信息中又有非常多的標題黨信息。本文的工作很有趣，研究標題和新聞內容之間的一致性和連貫性，來判斷新聞是否為標題黨。做這個方向的童鞋可以來看看。

論文鏈接：https://arxiv.org/abs/1705.06031

推薦人：大俊，PaperWeekly 首席客服

「本周值得讀」欄目的內容來自 PaperWeekly arXiv 志願者小組推薦，如果您也是 arXiv 愛好者，願意一起來豐富 PaperWeekly 的推薦內容，並且培養良好的閱讀習慣，就請加入我們吧。請添加微信號：PW-Assistant，並註明「志願者+學校+碩士生/博士生+研究方向」，一起來為 AI 領域學術的發展貢獻自己的一份力量。

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