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后的探索和思考。

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。

點擊本文底部的「閱讀原文」即刻加入社區，查看更多最新論文推薦。

這是 PaperDaily 的第 97?篇文章

Compositional Attention Networks for Machine Reasoning

@NoaRicky 推薦

#Machine Reasoning

本文是斯坦福大學發表于 ICLR 2018 的工作，論文解決了樹狀結構網絡在機器閱讀、機器推理問題中雖有良好表現，但模型訓練時間過長的問題，同時幸運的是在精確度方面勝過了以往所有模型。它其中一名作者是斯坦福 CS224n 授課老師 Manning 教授，該文章模型已被 Stanford NLP 團隊實現。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2207

源碼鏈接

https://github.com/stanfordnlp/mac-network

Know What You Don't Know: Unanswerable Questions for SQuAD

@guohao916 推薦

#Machine Reading Comprehension

本文是斯坦福大學發表于 ACL 2018 的工作，論文在原來的 SQuAD（SQuAD 1.1）的十萬個問題 - 答案對的基礎上，SQuAD 2.0 中新增了超過五萬個新增的、由人類眾包者對抗性地設計的無法回答的問題。執行 SQuAD 2.0 閱讀理解任務的模型不僅要能夠在問題可回答時給出答案，還要判斷哪些問題是閱讀文本中沒有材料支持的，并拒絕回答這些問題。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2180

源碼鏈接

https://bit.ly/2rDHBgY

Learning-to-Ask: Knowledge Acquisition via 20 Questions

@yihongchen 推薦

#Knowledge Discovery

本文是清華大學、微軟和阿里巴巴聯合發表于 KDD 2018 的工作。為機器賦能知識是讓機器具有智能的一種重要手段，通過提問獲取知識是一種常見的方法，但如何保證提問的效率和有效性是一個核心問題，本文針對這些問題提出了一種基于深度強化學習和矩陣分解的 Learning-to-Ask 方法，并用貝葉斯方法表示知識來增強魯棒性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2174

Simple and Effective Multi-Paragraph Reading Comprehension

@guohao916 推薦

#Question Answering

本文將段落級的神經 QA 模型擴展到篇章級。在訓練階段采樣了多個段落，并改造了目標函數使之產生全局正確的輸出。當 QA 模型的輸入為篇章時，處理方法可分為兩類：流水線方法首先選擇一個最相關的段落再預測答案跨度；基于置信的方法將模型使用在多個段落上返回最高的置信值。基于置信的方法對于段落選擇的錯誤具有強魯棒性，然而這要求模型對每一個段落計算出較精確的置信值。

本文將上述兩個思路相結合，使流水線方法能夠計算出各個段落更加精確的置信值。首先使用 TF-IDF 選擇用于訓練和測試的段落，針對語料的遠程監督噪聲較大的問題，將目標函數定義為所有可能的答案位置的邊緣值；最后通過使用一個共享標準化目標函數，使答案選擇基于篇章中各個段落的比較，有效提高了模型的魯棒性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2179

源碼鏈接

https://github.com/allenai/document-qa

Towards Human-Machine Cooperation: Self-supervised Sample Mining for Object Detection

@kezewang 推薦

#Object Detection

近年來，隨著互聯網的快速發展和計算能力的提升，受益于大規模訓練數據的深度學習技術取得了突破性的進步。物體檢測作為計算機視覺領域的一個經典任務，檢測精度取得了巨大的提升。以候選區域為基礎的物體檢測網絡對一張輸入的圖像提取大量的候選物體區域，并對這些區域進行類別標注和位置回歸，提升了物體檢測的識別精度和識別速度。然而，神經網絡的檢測效果極其依賴訓練網絡的標注樣本數據，因此，如何利用大規模的未標注或是少量標注的數據有效訓練網絡，提升其檢測精度是亟待解決的問題。?

為了使用更少的標注數據訓練出高精度的檢測模型，一般需要解決以下技術問題：?

1. 在保證模型效果的同時，盡量減少人工樣本標注。通常的神經網絡訓練，非常依賴大量人工標注的數據集，而比起其他視覺任務（例如，圖像分類和動作識別），標注物體需要提供圖片中所有物體的類別標簽和物體所處區域的邊框坐標。因此，對圖像進行人工標注非常耗時耗力，發展自動標注無標簽數據的方法是減少人工標注負擔的關鍵步驟。?

2. 挖掘能夠顯著提高分類器表現的特殊訓練樣本。現有的物體檢測數據集通常包含了絕大多數普通的“簡單”樣本和少量有益的“困難”樣本（即，富含各種光照，變形，遮擋和類內變化的信息量）。因為他們服從長尾分布，“困難”的例子是罕見的，為了利用這些能夠最有效訓練神經網絡的“困難”樣本，需要能夠從大量樣本中將其識別出來。?

3. 抑制壞樣本的負面影響。一些訓練樣本（例如，離群點或噪聲樣本）可能會使模型發生偏移，在訓練時排除被數據集中的標注者標記為“混亂”的樣本后，訓練得到的物體檢測性能可以得到大幅度的改進和提高。?

為克服上述現有技術存在的不足，我們的研究動機在于提供一種基于自監督過程改進主動學習的通用物體檢測系統及方法，以結合樣本挖掘技術和深度學習物體檢測技術，利用少量標注的樣本和海量的未標注樣本聯合訓練提升模型的檢測性能以提高檢測精度。 同時，可在減少大量的人力物力、節約成本基礎上實現通用物體檢測目的。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2177

源碼鏈接

https://github.com/yanxp/SSM

Attention-Gated Networks for Improving Ultrasound Scan Plane Detection

@hsu 推薦

#Semantic Segmentation

本文是 Attention U-Net 的前序文章，論文提出了 Attention Gate，和主流方法一樣使用的是 soft-attention 機制。文章將 Attention-Gate 應用于超聲圖像的分類問題，包括若干器官。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2198

源碼鏈接

https://github.com/ozan-oktay/Attention-Gated-Networks

CLIP-Q: Deep Network Compression Learning by In-Parallel Pruning-Quantization

@yanjoy 推薦

#Model Compression

本文是西蒙弗雷澤大學發表于 CVPR 2018 的工作，論文提出先剪枝后量化的壓縮框架，并且自動優化超參數。結果在 GoogLeNet 上有 10x 壓縮，在 ResNet-50 有 15x 壓縮，并不降低準確率。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2181

deepNF: deep network fusion for protein function prediction

@xuehansheng 推薦

#bioinformatics

本文將深度學習應用到多網絡融合的過程中，并針對蛋白質功能預測的網絡結構特點，提出了一種基于多模式深度自動編碼器的網絡融合方法——deepNF，從多個異構交互網絡中提取蛋白質的高級特征。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2172

源碼鏈接

https://github.com/VGligorijevic/deepNF

Large scale distributed neural network training through online distillation

@paulpeng 推薦

#Neural Networks

本文來自 Google，論文提出了一種大規模分布式神經網絡的的改進方法。具體來說，作者提出了一種 distillation 模型的變種，一方面考慮是支持大規模數據的并行化處理，另一方面考慮是為預測模型提供了一種可重復的方法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2205

RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems

@xuzhou 推薦

#Recommender Systems

本文是上海交大、微軟亞洲研究院和香港理工大學聯合發表于 CIKM 2018 的工作。為了解決協同過濾的稀疏性和冷啟動問題，研究人員通常利用社交網絡或項目屬性等輔助信息來提高推薦效果。本文將知識圖譜應用到推薦系統中，是一個很新穎的方法，給推薦系統提供了一個全新的思路。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2201

源碼鏈接

https://github.com/hwwang55/RippleNet

MojiTalk: Generating Emotional Responses at Scale

@filterc 推薦

#Response Generation

本文是清華大學和 UCSB 發表于 ACL 2018 的工作，論文旨在教會機器生成有情緒的回答，比如當用戶傷心的時候，機器回答一定不能很開心。這項工作的難點在于缺少大規模標注好的情感訓練集，以及如何控制生成回答的情感。現有的情感數據集對深度模型都太小，并且只有有限的幾個分類（生氣、開心，或者正面、負面）。?

本文解決方案如下：1. 使用含有 emoji（選擇了 64 種）的 Twitter 數據來做自動情感標注（規模：600K） 2. 在生成回答時，根據給定的 emoji 來生成不同情感的回答

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2199

源碼鏈接

https://github.com/Claude-Zhou/MojiTalk

A Minimal Span-Based Neural Constituency Parser

@godweiyang 推薦

#Constituency Parsing

本文提出了一種不同于傳統方法的成分句法分析方法。傳統的句法分析器需要預處理出語法規則集合，然后利用語法規則來進行各種句法分析，這類方法的弊端有很多，主要有三點：

1. 語法規則集合構造的好壞直接影響到分析效果的好壞；

2. 不僅如此，利用語法規則的方法時間復雜度高，因為每次都要遍歷一遍語法規則集合來決定每個短語采用哪一條語法規則；

3. 還有一種弊端就是利用語法規則的方法無法產生新的產生式，也就是說如果測試集中的語法規則沒有在訓練集中出現過，那么是無法預測出來的。

本文提出的模型不需要預先構造出語法規則集合，只需要預測出每個短語的label和 split 就行了，這樣就能構造出一棵完整的句法樹。該模型分為編碼與解碼兩部分，其中編碼部分就是利用雙向 LSTM 將每個詞和短語表示成向量，解碼部分提出了兩種模型，一種是 chart 模型，類似于 CKY 算法，另一種是 top-down 模型，就是自頂向下的貪心算法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2098

源碼鏈接

https://github.com/mitchellstern/minimal-span-parser

Learning Structural Node Embeddings via Diffusion Wavelets

@xuehansheng 推薦

#Network Embedding

本文是斯坦福大學發表于 KDD18 的工作，論文提出了一種通過利用熱小波擴散模式通過低維嵌入來表示每個節點的網絡鄰域的方法——GraphWave。 GraphWave 不是在手工選擇的特征上進行訓練，而是以無人監督的方式學習這些嵌入。文章在數學上證明具有相似網絡鄰域的節點將具有類似的 GraphWave 嵌入，即使這些節點可能駐留在網絡的非常不同的部分中。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2204

源碼鏈接

https://github.com/snap-stanford/graphwave

Adversarial Network Embedding

@xuzhou 推薦

#Network Embedding

ANE 是發表在 AAAI 2018 上的用對抗生成網絡學習網絡表示的文章。現有的網絡表示方法 Deep Walk、LINE、node2vec 等保留了網絡的一階、二階或者更高階的相似性，但這些方法都缺少增加 embedding 魯棒性的限制。本文通過對抗訓練的規則來正則化表示學習過程。

ANE 包含兩個部分：結構保留、對抗學習。在結構保留部分，本文實驗中分別使用了 Inductive DeepWalk 和 Denoising Auto encoder 兩種模型；對抗學習部分主要是學習穩定、魯棒的網絡表示，使結構保留部分生成的網絡表示服從先驗（prior）分布。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2164

Deep Spatial Feature Reconstruction for Partial Person Re-identification: Alignment-Free Approach

@Molly 推薦

#Person Re-identification

本文是中國科學院大學發表于 CVPR 2018 的工作，論文介紹了一種行人遮擋情況下的重識別方法。在實際應用中，行人互相遮擋或者被畫面中其他物體遮擋，往往會導致模型表現下降。這篇文章提出的方法在消耗較少計算資源的情況下，可以得到更好的結果。?

文章提出了一種框架，先使用 FCN 提取特征，再使用 Deep Spatial Feature Reconstruction 方法計算特征的相似度。即使用完整行人的特征的線性組合來表示部分行人的線性特征，如果誤差很小，則認為是同一個人。否則不是同一個人。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2183

#推 薦 有 禮#

本期所有入選論文的推薦人

均將獲得PaperWeekly紀念周邊一份

▲?深度學習主題行李牌/卡套 + 防水貼紙

?禮物領取方式?

推薦人請根據論文詳情頁底部留言

添加小助手領取禮物

想要贏取以上周邊好禮？

點擊閱讀原文即刻推薦論文吧！

點擊以下標題查看往期推薦：?

• ??暑假沒人帶怎么辦？還有我們為你推薦論文

• ??本周份AI論文推薦新鮮出爐！真的很skr了~
  

• ??叮！請查收本周份「知識圖譜」專題論文解讀

• 還在熬夜憋思路？這12篇最新論文打包送給你

• 本頂會論文輪番炸場，本周哪些論文最值得讀？

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 加入社區刷論文

總結

以上是生活随笔為你收集整理的本周最热 AI 论文大集合，还不快一键收藏？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。