快醒醒，一大波最新 AI 論文加開源代碼來襲！

04-29

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。

ETH-DS3Lab at SemEval-2018 Task 7: Effectively Combining Recurrent and Convolutional Neural Networks for Relation Classification and Extraction

@theodoric008 推薦

#Relation Extraction

本文來自蘇黎世聯邦理工學院 DS3Lab，文章針對實體關係抽取任務進行了非常系統的實驗，並在第十二屆國際語義評測比賽 SemEval 2018 的語義關係抽取和分類任務上獲得冠軍。本文思路嚴謹，值得國內學者們仔細研讀。

論文鏈接：https://www.paperweekly.site/papers/1833

Personalizing Dialogue Agents: I have a dog, do you have pets too?

@yihongchen 推薦

#Dialogue System

本文是 Facebook AI Research 在 NIPS 2018 Competition Track 中 ConvAI 2 比賽的介紹論文。論文根據一個名為 PERSONA-CHAT 的對話數據集來訓練基於 Profile 的聊天機器人，該數據集包含超過 16 萬條對話。

本文致力於解決以下問題：

聊天機器人缺乏一致性格特徵
聊天機器人缺乏長期記憶
聊天機器人經常給出模糊的回應，例如 I dont know

論文鏈接：https://www.paperweekly.site/papers/1802

數據集鏈接：https://github.com/facebookresearch/ParlAI/tree/master/parlai/tasks/personachat

DiSAN: Directional Self-Attention Network for RNN/CNN-Free Language Understanding

@zhkun 推薦

#Natural Language Understanding

本文是悉尼科技大學發表於 AAAI 2018 的工作，這篇文章是對 Self-Attention 的另一種應用，作者提出一種新的方向性的 Attention，從而能更加有效地理解語義。

論文鏈接：https://www.paperweekly.site/papers/1822

代碼鏈接：taoshen58/DiSAN

DetNet: A Backbone network for Object Detection

@chlr1995 推薦

#Object Detection

本文來自清華大學和 Face++，文章分析了使用 ImageNet 預訓練網路調優檢測器的缺陷，研究通過保持空間解析度和擴大感受野，提出了一種新的為檢測任務設計的骨幹網路 DetNet。

實驗結果表明，基於低複雜度的 DetNet59 骨幹網路，在 MSCOCO 目標檢測和實例分割追蹤任務上都取得當前最佳的成績。

論文鏈接：https://www.paperweekly.site/papers/1844

Imagine This! Scripts to Compositions to Videos

@chlr1995 推薦

#Video Caption

本文以《摩登原始人》的動畫片段作為訓練數據，對每個片段進行詳細的文本標註，最終訓練得到一個可以通過給定腳本或文字描述生成動畫片段的模型。

模型稱為 Craft，分為布局、實體、背景，三個部分。雖然現階段模型存在著很多問題，但是這個研究在理解文本和視頻圖像高層語義方面有著很大的意義。

論文鏈接：https://www.paperweekly.site/papers/1838

Generating Diverse and Accurate Visual Captions by Comparative Adversarial Learning

@Aidon 推薦

#Image Caption

本文來自華盛頓大學和微軟，文章提出一個基於 GAN 的 Image Caption 框架，亮點如下：

1. 提出用 comparative relevance score 來衡量 image-text 的質量從而指導模型的訓練，並且在訓練過程中引入 unrelated captions；

2. 利用 human evaluations 評估 caption 的 accuracy，給出了和傳統的六個評價指標的結果對比；

3. 提出通過比較 caption feature vectors 的 variance 來評估 caption 的 diversity。

論文鏈接：https://www.paperweekly.site/papers/1842

Simultaneously Self-Attending to All Mentions for Full-Abstract Biological Relation Extraction

@robertdlut 推薦

#Self-Attention

本文是 Andrew McCallum 團隊應用 Self-Attention 在生物醫學關係抽取任務上的一個工作。這篇論文作者提出了一個文檔級別的生物關係抽取模型，作者使用 Google 提出包含 Self-Attention 的 transformer 來對輸入文本進行表示學習，和原始的 transformer 略有不同在於他們使用了窗口大小為 5 的 CNN 代替了原始 FNN。

論文鏈接：https://www.paperweekly.site/papers/1787

代碼鏈接：https://github.com/patverga/bran

Evaluation of Session-based Recommendation Algorithms

@Ttssxuan 推薦

#Recommender System

本文系統地介紹了 Session-based Recommendation，主要針對 baseline methods, nearest-neighbor techniques, recurrent neural networks 和 (hybrid) factorization-based methods 等 4 大類演算法進行介紹。

此外，本文使用 RSC15、TMALL、ZALANDO、RETAILROCKET、8TRACKS 、AOTM、30MUSIC、NOWPLAYING、CLEF 等 7 個數據集進行分析，在 Mean Reciprocal Rank (MRR)、Coverage、Popularity bias、Cold start、Scalability、Precision、Recall 等指標上進行比較。

論文鏈接：https://www.paperweekly.site/papers/1809

代碼鏈接：https://www.dropbox.com/sh/7qdquluflk032ot/AACoz2Go49q1mTpXYGe0gaANa?dl=0

On the Convergence of Adam and Beyond

@chlr1995 推薦

#Neural Network

本文是 ICLR 2018 最佳論文之一。在神經網路優化方法中，有很多類似 Adam、RMSprop 這一類的自適應學習率的方法，但是在實際應用中，雖然這一類方法在初期下降的很快，但是往往存在著最終收斂效果不如 SGD+Momentum 的問題。

作者發現，導致這樣問題的其中一個原因是因為使用了指數滑動平均，這使得學習率在某些點會出現激增。在實驗中，作者給出了一個簡單的凸優化問題，結果顯示 Adam 並不能收斂到最優點。

在此基礎上，作者提出了一種改進方案，使得 Adam 具有長期記憶能力，來解決這個問題，同時沒有增加太多的額外開銷。

論文鏈接：https://www.paperweekly.site/papers/1841

Neural Baby Talk

@jamiechoi 推薦

#Image Captioning

本文是喬治亞理工學院發表於 CVPR 2018 的工作，文章結合了 image captioning 的兩種做法：以前基於 template 的生成方法（baby talk）和近年來主流的 encoder-decoder 方法（neural talk）。

論文主要做法其實跟作者以前的工作"Knowing When to Look: Adaptive Attention via A Visual Sentinel for Image Captioning"類似：在每一個 timestep，模型決定生成到底是生成 textual word（不包含視覺信息的連接詞），還是生成 visual word。其中 visual word 的生成是一個自由的介面，可以與不同的 object detector 對接。

論文鏈接：https://www.paperweekly.site/papers/1801

代碼鏈接：https://github.com/jiasenlu/NeuralBabyTalk

Context Encoding for Semantic Segmentation

@wanzysky 推薦

#Semantic Segmentation

本文提出了一種與類別預測相關的網路結構，使得在一定程度上降低了分割任務的難度。Channel attention 和空間 attention 形成互補，Global contextual loss 增強 context 信息，同時提高了小物體的分割精度。

論文鏈接：https://www.paperweekly.site/papers/1814

代碼鏈接：https://github.com/zhanghang1989/PyTorch-Encoding

Adaptive Graph Convolutional Neural Networks

@VIPSP 推薦

#Convolutional Neural Network

圖卷積神經網路（Graph CNN）是經典 CNN 的推廣方法，可用於處理分子數據、點雲和社交網路等圖數據。Graph CNN 中的的濾波器大多是為固定和共享的圖結構而構建的。但是，對於大多數真實數據而言，圖結構的大小和連接性都是不同的。

本論文提出了一種有泛化能力且靈活的 Graph CNN，其可以使用任意圖結構的數據作為輸入。通過這種方式，可以在訓練時為每個圖數據構建一個任務驅動的自適應圖（adaptive graph）。

為了有效地學習這種圖，作者提出了一種距離度量學習方法。並且在九個圖結構數據集上進行了大量實驗，結果表明本文方法在收斂速度和預測準確度方面都有更優的表現。

論文鏈接：https://www.paperweekly.site/papers/1837

#作者招募#

讓你的文字被很多很多人看到，喜歡我們不如加入我們

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！

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