本周值得读：7份最新「Paper + Code」 | PaperDaily #22

[ 自然语言处理 ]

SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning
@guotong1988 推荐
Seq2Seq

Text2SQL，根据自然语言生成结构化 SQL 语句。

Dynamic Evaluation of Neural Sequence Models
@utopiar 推荐
Recurrent Neural Networks

本文提出使用动态评估来改进神经序列模型的性能。模型通过基于梯度下降的机制适应最近的历史，将以更高概率分配给重新出现的连续模式。动态评估将 Penn Treebank 和 WikiText-2 数据集上的 perplexities 分别提高到 51.1 和 44.3。

Exploring the Syntactic Abilities of RNNs with Multi-task Learning
@Andy 推荐
Multi-task Learning

本文主要通过了对一致性预测还有 CCG 超标记进行多任务学习，来展示了如何通过多任务学习，让 RNN 能够学习出更加复杂的句法表达。此外还发现利用一致性预测的训练数据，也可以提高其他只有有限训练数据任务的表现。这样的多任务模型，还可以将语法知识注入进语言模型中去（当然也包括机器翻译）。

[ 计算机视觉 ]

StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation
@paperweekly 推荐
GAN

Reddit 热文，利用 GAN 自定义表情和面部特征。StarGAN 是一种全新的可扩展方法，仅使用一个模型就能为多个域执行图像到图像转换。

What is the Role of Recurrent Neural Networks (RNNs) in an Image Caption Generator?
@jamiechoi 推荐
Image Captioning

文章比较了 RNN 在 image caption 里的两种作用：1. Inject模型：RNN 用来 encode 文字和图片；2. Merge 模型：RNN 只 encode 文字，图片在较后的阶段再与文字信息结合。最后得出结论，Merge 模型较好。

[ 机器学习 ]

Dilated Recurrent Neural Networks
@snowwalkerj 推荐
RNN

本文提出的 dilated RNN，解决了长程依赖的问题，同时可提高并行率，提高计算速度；提出 Mean Recurrent Length 指标，衡量 RNN 可记忆的时间长度，仅用普通的 RNN 模块在多项任务上达到 state of art 效果。

Multi-Rate Deep Learning for Temporal Recommendation
@Ttssxuan 推荐
LSTM

使用多种时间粒度进行用户行为预测，并为大量数据提出类似词嵌的预训方法。使用 DSSM 建模用户静态兴趣，使用一个 LSTM 时序网络建模用户短期兴趣，使用一个 LSTM 时序网络建模全局用户兴趣。

时间： 2024-10-09 13:49:22

开源代码上新！6 份最新「Paper + Code」 | PaperDaily #17