每周论文清单：高质量文本生成，多模态情感分析，还有一大波GAN | PaperDaily #26

PaperWeekly

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击即刻加入社区，查看更多最新论文推荐。

[ 自然语言处理 ]

1. Multi-channel Encoder for Neural Machine Translation

@Synced 推荐

#Neural Machine Translation

文章提出了一种多信道编码器（MCE）模型，可改进传统神经机器翻译（NMT）模型单一信道编码的缺点。该模型在中英翻译上的 BLEU 值提升了超过 6 个百分点，在英法翻译上用单层模型取得了可与深层模型媲美的效果。

论文链接：https://www.paperweekly.site/papers/1342

2. DisSent: Sentence Representation Learning from Explicit Discourse Relations

@Ttssxuan 推荐

#Sentence Embedding

借助文档中一些特殊的词训练句子 embedding。使用文档中 but、because、although 等词，以及其前后或关联的句子构成语义模型。也就是，使用这些词和句子的关系，约束了句子向量的生成空间（使用句子向量，预测关联词），从而达到训练句子向量目的。

文章只对英文语料进行了测试，实际中文这样的结构也很多，如：因为、所以、虽然、但是，可以参考。

论文链接：https://www.paperweekly.site/papers/1324

3. End-to-end Learning for Short Text Expansion

@tangxianfeng 推荐

#Short Text Expansion

本文第一次用了 end to end 模型来做 short text expansion 这个 task，方法上用了 memory network 来提升性能，在多个数据集上证明了方法的效果；Short text expansion 对很多问题都有帮助，所以这篇 paper 解决的问题是有意义的。

通过在多个数据集上的实验证明了 model 的可靠性，设计的方法非常直观，很 intuitive。

论文链接：https://www.paperweekly.site/papers/1313

4. Benchmarking Multimodal Sentiment Analysis

@chenbjin 推荐

#Multimodal Sentiment Analysis

多模态情感分析目前还有很多难点，该文提出了一个基于 CNN 的多模态融合框架，融合表情，语音，文本等信息做情感分析，情绪识别。

论文链接：https://www.paperweekly.site/papers/1306

Adversarial Ranking for Language Generation

@zhangjun 推荐

#Generative Adversarial Networks

本文提出了一种 RankGAN 模型，来解决如何生成高质量文本的问题。

论文链接：https://www.paperweekly.site/papers/1290

[ 计算机视觉 ]

PacGAN: The Power of Two Samples in Generative Adversarial Networks

@Gapeng 推荐

#Generative Adversarial Networks

本文旨在研究 mode collapse 问题，提出了 Pac Discriminator 的方法用于解决mode collapse。所谓 pac，就是把 Discriminator 的输入改成多个样本，这么做的好处在于判别器能够同时看到多个样本，可以一定程度上防止 mode collapse 的发生。

我要推荐的并不是他对 mode collapse 的解决方案，而是他分析 mode collapse 的方法，详情参见第 4、5 章。

论文链接：https://www.paperweekly.site/papers/1337

Show-and-Fool: Crafting Adversarial Examples for Neural Image Captioning

@Synced 推荐

#Adversarial Training

针对深度学习系统的对抗性样本攻击问题，来自麻省理工学院，加州大学戴维斯分校，IBM Research 和腾讯 AI Lab 的学者在 arXiv 上发表论文提出对于神经网络图像标注系统（neural image captioning system）的对抗样本生成方法。实验结果显示图像标注系统能够很容易地被欺骗。

论文链接：https://www.paperweekly.site/papers/1321

Convolutional Image Captioning

@jamiechoi 推荐

#Image Captioning

用 CNN 做 image caption，与 LSTM 对比的话，CNN 的训练速度更快，并且从生成的 caption 效果来看，个人感觉 CNN 的效果也更好。

论文链接：https://www.paperweekly.site/papers/1335

Dual-Path Convolutional Image-Text Embedding

@Layumi 推荐

#Convolutional Neural Network

1. ImageNet 预训练的网络是否是最好的？黑狗白狗都训练成一类 dog，这会损失颜色信息（黑色还是白色）/位置信息（在追球还是树枝）/数量信息（有多少只狗）。同样 word2vec 也未必适合需要处理的数据集（blue 和 red 就很近）所以要进一步 finetune；

2. 图文互搜要求对图像和文本都有细致的理解。detailed information 很重要；

3. Ranking Loss 在同时调整两个 CNN 的时候有难度，所以引入了 instance loss；