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

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

张俊张俊
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 ]

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:paperweekly.site/papers

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:paperweekly.site/papers

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:paperweekly.site/papers

[ 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:paperweekly.site/papers

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:paperweekly.site/papers

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:paperweekly.site/papers

[ 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:paperweekly.site/papers

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:paperweekly.site/papers

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。

paperweekly.site/papers

本文由 AI 学术社区 PaperWeekly 精选推荐,社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向,点击即刻加入社区

我是彩蛋

解锁新姿势:用微信刷论文!

PaperWeekly小程序上线啦

今日arXiv√猜你喜欢√热门资源√

随时紧跟最新最热论文

解锁方式

1. 扫描下方小程序码打开小程序

2. 用PaperWeekly社区账号进行登陆

3. 登陆后即可解锁所有功能

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。

微信公众号:PaperWeekly

新浪微博:@PaperWeekly

文章被以下专栏收录
还没有评论
推荐阅读