本期最新 9 篇论文,帮你完美解决「读什么」的问题 | PaperDaily #19

[ 自然语言处理 ]

Style Transfer in Text: Exploration and Evaluation
@zhangjun 推荐
Transfer Learning

本文尝试在用 non-parallel data 来做文本的 style transfer,已被 AAAI 2018 录用。

论文链接
https://www.paperweekly.site/papers/1177

An Encoder-Decoder Framework Translating Natural Language to Database Queries
@zhangjun 推荐
Natural Language Generation

本文用端到端框架将自然语言转换为 SQL 语句,并在学术搜索和电影搜索问题上进行了实验。

论文链接
https://www.paperweekly.site/papers/1147

Aggressive Sampling for Multi-class to Binary Reduction with Applications to Text Classification
@guotong1988 推荐
Text Classification

把多分类问题转化成二分类问题,10000 多个类别的文本分类,多个指标 SOTA。

论文链接
https://www.paperweekly.site/papers/1184

[ 计算机视觉 ]

MegDet: A Large Mini-Batch Object Detector
@chenhong 推荐
Object Detection

旷视科技新出的一篇论文,作者主要提高 batch size 实现目标检测,GPU 也是相当大的,128 个 GPU,也不是一般公司能干的起的。

论文链接
https://www.paperweekly.site/papers/1202

Interpretable R-CNN
@Synced 推荐
Object Detection

由于深度学习已经在需要做出重大决策的领域如安防和自动驾驶中得到越来越广泛的应用,深度网络的可解释性称为愈加迫切的需要。北卡罗来纳州立大学与阿里巴巴 AI 实验室的研究人员近日提出了一种聚焦于目标检测的定性可解释的 R-CNN 网络,实现了未来人机对话的开端。

论文链接
https://www.paperweekly.site/papers/1215

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. RNN 用来 encode 文字和图片;2. RNN 只 encode 文字。

论文链接
https://www.paperweekly.site/papers/1200

[ 机器学习 ]

MinimalRNN: Toward More Interpretable and Trainable Recurrent Neural Networks
@paperweekly 推荐
Recurrent Neural Networks

本文提出了一种更加简洁的 RNN 模型,实验证明可以捕获到更加长程的依赖。

论文链接
https://www.paperweekly.site/papers/1192

SafePredict: A Meta-Algorithm for Machine Learning That Uses Refusals to Guarantee Correctness
@Synced 推荐
Distributed Machine Learning

SafePredict 是一种新型元算法,可以使用拒绝机制保证正确率,其错误界限不依赖于任何关于数据分布或基础预测器的假设。该算法与顶尖的基于置信度的拒绝机制相比更有优势,可以更鲁棒地保证正确率,并减少拒绝的数量。

论文链接
https://www.paperweekly.site/papers/1179

Exploiting Dining Preference for Restaurant Recommendation
@LiFeng 推荐
POI Recommendation

  1. 微软亚洲研究院+中科大的组合,强强联合,专门做推荐的,几位作者都是专家,网上都有主页的,建议看看,这篇文章本身是发表在WWW 2016上的;
  2. 文章考虑显示反馈(评分,评论)、隐式反馈(餐馆签到数据)、上下文数据(地点、用户人口统计学信息、餐馆的属性等),综合考虑用户的进餐偏好,最终给用户生成推荐列表;
  3. 对隐式反馈建模时,考虑用户-地点-时间3维张量,采用张量分解的方法,并加入上下文因素进行提升;
  4. 对显示反馈建模时,使用主题模型+矩阵分解方法;
  5. 最后将隐式和显式反馈融合;
  6. 文章数据集是使用微软的 LifeSpec 从点评上爬下来的餐馆数据和签到数据,但是未在论文中公布,数据分析进行的很详细,最后只用了 Recall 作为评价指标,个人认为略显单调,不过他在文中说了不使用 Precision 的原因;
  7. 文中涉及到比较多的数学知识,比如各种高斯分布和隐狄利克雷分布;
  8. 个人拙见:要是能和 NTU 那样开源论文代码就更好了,当然也有可能考虑到涉及研究机密不开源也是可以理解的。

论文链接
https://www.paperweekly.site/papers/1188

时间: 2024-09-20 06:22:59

本期最新 9 篇论文,帮你完美解决「读什么」的问题 | PaperDaily #19的相关文章

本期最新 9 篇论文,每一篇都想推荐给你 | PaperDaily #14

[ 自然语言处理 ] Word Translation Without Parallel Data @Ttssxuan 推荐 本文贡献: 一种无需平行语料的无监督词翻译方案 缓和 hubness problem 的方案 无监督验证与选参方法 证明本方法在词料较少的语言的适用性 多种语言的 词翻译结果 主要价值: 无监督和无平行语料的训练方案 对抗学习 的应用 困难和思路: 无监督训练:使用对抗学习使得 两种语言在目标空间分布重合 无监督验证:计算翻译对之间的平均 cosin 距离,用于验证和调参

提升效率必备,9 篇论文帮你积累知识点 | PaperDaily #06

自然语言处理 Multi-Task Learning for Speaker-Role Adaptation in Neural Conversation Models @paperweekly 推荐 多任务学习是个非常流行的研究方法,本文针对对话生成任务,给出了一种 seq2seq+autoencoder 的多任务学习方案,取得了一定的效果. 论文链接http://www.paperweekly.site/papers/988 Supervised Speech Separation Base

14 篇论文为你呈现「迁移学习」研究全貌 | 论文集精选 #04

迁移学习对于人类来说,就是掌握举一反三的学习能力.对于计算机而言,所谓迁移学习,就是从一个或多个源任务(source task)中抽取知识和经验,然后将其应用于一个有相关性的目标领域(target domain). 本期我们带来的是由 PaperWeekly 社区用户 @jindongwang 创建的迁移学习专题论文集,通过 14 篇最新和经典论文,带大家了解迁移学习的发展和现状.如果有合你心意的论文,复制链接到浏览器即可查看原文. Domain adaptation via transfer

当微软研究院遇上CVPR,四篇论文抢鲜看 | CVPR 2017

雷锋网AI科技评论按:CVPR全称为"IEEE Conference on Computer Vision and Pattern Recognition"(计算机视觉与模式识别会议),是计算机视觉与模式识别领域最有影响力的国际学术会议之一.CVPR将于2017于7月21日至7月26日举行,雷锋网AI科技评论将从夏威夷带来一线报道.该会议举办期间,雷锋网(公众号:雷锋网)将围绕会议议程及获奖论文展开系列专题报道,敬请期待. 论文一:<StyleBank: An Explicit

CVPR最有趣的5篇论文,不容错过!内含最佳学生论文! | CVPR2017

欢迎来到,空气中都飘散着 "论文味" 的夏威夷. 今年,国际计算机视觉与模式识别顶级会议(CVPR 2017)将于 7 月 21 日-7 月 26 日在美国夏威夷召开.我们的记者团也特赴夏威夷,在接下来几天为大家带来一手报道. 会议官方网站最新的数据显示,今年,CVPR 共收到 2680 有效投稿,一共有 783 篇论文被接收,其中有 71 篇获得 12 分钟口头报告(Oral ),144 篇获得 4 分钟短报告(Spotlights)的展示机会. 我们精选其中 5 篇论文,带大家概览

本次CVPR上,李飞飞团队都中了哪8篇论文? | CVPR 2017

CVPR是IEEE一年一度的计算机视觉与模式识别技术会议,也是计算机视觉的世界三大顶会之一.2017年的CVPR会议将于7月21日到26日于夏威夷Convention中心召开,雷锋网将赴前线做覆盖与报道. 李飞飞就职于斯坦福大学计算机科学系,目前为斯坦福大学人工智能实验室.斯坦福视觉实验室.丰田汽车-斯坦福人工智能研究中心负责人,同时也是Google云端人工智能暨机器学习首席科学家. 本次CVPR上,李飞飞团队共有8篇论文成功入选,以下是CVPR 2017 Li Fei Fei作为作者的论文摘要

燃!阿里11篇论文入选IJCAI2017 人工智能领域捷报频传

在今年的国际人工智能联合会议(IJCAI)上,阿里巴巴有11篇论文入选.这是继今年的CVPR会议入选4篇.KDD会议入选5篇后,阿里巴巴在人工智能顶级会议上斩获的最新成果. IJCAI被认为是人工智能领域最顶级的学术会议之一,涵盖机器学习.计算可持续性.图像识别.语音技术.视频技术等,对全球人工智能行业具有巨大影响力.今年IJCAI共收到2540篇论文投稿,再创历史新高,最终录用660篇,录用率26%. 阿里巴巴入选的11篇论文中,有6篇论文来自阿里巴巴-浙大前沿技术联合研究中心,3篇来自蚂蚁金

2017年深度学习必读31篇论文(附下载地址)

2017年即将擦肩而过,Kloud Strife在其博客上盘点了今年最值得关注的有关深度学习的论文,包括架构/模型.生成模型.强化学习.SGD & 优化及理论等各个方面,有些论文名扬四海,有些论文则非常低调. 一如既往,首先,标准免责声明适用,因为今年仅与GAN有关的论文就超过1660篇.我肯定会有疏漏,试图缩减到每两周一篇论文,包含了Imperial Deep Learning Reading Group上的大量素材.无论如何,我们开始吧. 架构/模型 今年的Convnet网络架构已经少得多,

为你分享73篇论文解决深度强化学习的18个关键问题

这两天我阅读了两篇篇猛文 A Brief Survey of Deep Reinforcement Learning 和 Deep Reinforcement Learning: An Overview,作者排山倒海的引用了 200 多篇文献,阐述强化学习未来的方向. 论文:A Brief Survey of Deep Reinforcement Learning 作者:Nevertiree 链接:http://www.paperweekly.site/papers/922 论文:Deep Re