PaperWeekly
首发于PaperWeekly
选对论文,效率提升50% | 本周值得读

选对论文,效率提升50% | 本周值得读

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 //

Chinese Text in the Wild

@paperweekly 推荐

#Chinese Text Dataset

清华大学和腾讯共同推出了一个超大规模的中文自然文本数据集——CTW,该数据集包含 32,285 张图像和 1,018,402 个中文字符,规模远超此前的同类数据集。

论文链接:paperweekly.site/papers

数据集链接:ctwdataset.github.io/

Reinforced Self-Attention Network: a Hybrid of Hard and Soft Attention for Sequence Modeling

@zhkun 推荐

#Attention Model

本文将 hard-attention 和 soft-attention 进行巧妙融合,hard-attention 处理长句子依赖问题,soft-attention 进行更精细化的操作,同时为 hard-attention 提供指导,并在强化学习的方法下实现了两种 attention mechanism 的有效融合,方法还是很有意思的。

论文链接:paperweekly.site/papers

Building Task-Oriented Dialogue Systems for Online Shopping

@xcwill 推荐

#Dialog System

本文来自微软小冰团队,论文展示了完整的基于网购任务的对话系统构建

论文链接:paperweekly.site/papers

A Survey of Model Compression and Acceleration for Deep Neural Networks

@kaierlong 推荐

#Deep Learning

本文全面概述了深度神经网络的压缩方法,主要可分为参数修剪与共享、低秩分解、迁移/压缩卷积滤波器和知识精炼,本论文对每一类方法的性能、相关应用、优势和缺陷等进行独到的分析。

论文链接:paperweekly.site/papers

A Hybrid CNN-RNN Alignment Model for Phrase-Aware Sentence Classification

@yinnxinn 推荐

#Sentence Classification

本文有机地将 CNN 和 RNN 结合,从语义层面对 sentense 进行分类,取得良好的效果,文章亮点在于模型的结合使用。

论文链接:paperweekly.site/papers

// 计算机视觉 //

Tiny SSD: A Tiny Single-shot Detection Deep Convolutional Neural Network for Real-time Embedded Object Detection

@Romantic1412 推荐

#Object Detection

本文来自滑铁卢大学和 DarwinAI,论文提出了一个比 Tiny YOLO 更快效果更好的适用于嵌入式设备的物体检测算法

论文链接:paperweekly.site/papers

Comparative Analysis of Unsupervised Algorithms for Breast MRI Lesion Segmentation

@xaj 推荐

#Medical Image Analysis

本文研究的问题是乳腺核磁共振图像(2D)的分割,对比了 K-Means、标记控制分水岭算法和高斯混合模型三种方法。

论文链接:paperweekly.site/papers

Diagnose like a Radiologist: Attention Guided Convolutional Neural Network for Thorax Disease Classification

@Layumi 推荐

#Medical Image Analysis

本文提升了 ChestX-ray14 数据集上 state-of-the-art performance。通过 Attention机制,让计算机关注病理区域

论文链接:paperweekly.site/papers

GIFGIF+: Collecting Emotional Animated GIFs with Clustered Multi-Task Learning

@sunlightll 推荐

#Multi-task Learning

本文从 Giphy 网站上获取 GIF 图片,通过其 GIFGIF 平台,这篇文章构建了一个带有情感的 GIF 图片库:GIFGIF+,包含 23,544 张图片,17 种情感分类。

论文链接:paperweekly.site/papers

数据集链接:affect.media.mit.edu/sh

Netizen-Style Commenting on Fashion Photos: Dataset and Diversity Measures

@jamiechoi 推荐

#Image Captioning

本文研究的问题是根据图片生成网民评论,提出了一个大规模服装数据集——NetiLook,其中包含源自 11,034 位 Lookbook 用户的 355,205 张图片和 500 万条评论。此外,论文还提出了三种衡量多样性的方法。

论文链接:paperweekly.site/papers

数据集链接:affect.media.mit.edu/sh

// 机器学习 //

Discriminative Label Consistent Domain Adaptation

@jindongwang 推荐

#Domain Adaptation

本文是一篇比较新的 domain adaptation 文章,里面有二十几种方法的结果,非常值得借鉴。

论文链接:paperweekly.site/papers

Efficient Neural Architecture Search via Parameter Sharing

@Synced 推荐

#Neural Network Architectures

本文提出超越神经架构搜索(NAS)的高效神经架构搜索(ENAS),这是一种经济的自动化模型设计方法,通过强制所有子模型共享权重从而提升了 NAS 的效率,克服了 NAS 算力成本巨大且耗时的缺陷,GPU 运算时间缩短了 1000 倍以上。

在 Penn Treebank 数据集上,ENAS 实现了 55.8 的测试困惑度;在 CIFAR-10 数据集上,其测试误差达到了 2.89%,与 NASNet 不相上下(2.65% 的测试误差)。

论文链接:paperweekly.site/papers

The Case for Learned Index Structures

@chenliang 推荐

#Database

本文创造性地将数据库索引视为可学习的对象,将不同的索引结构对应成不同的机器学习问题。比如,将索引一段排序内容视为 regression 问题,将 hash 解决的数据存在与否问题视为 classification 问题。

虽然目前主要考虑了 read-only 的解决方案,但仍有开辟新研究领域的潜力。

论文链接:paperweekly.site/papers

Predicting Tomorrow’s Mood, Health, and Stress Level using Personalized Multitask Learning and Domain Adaptation

@sunlightll 推荐

#Affective Computing

本文结合了多任务学习和领域自适应方法,个性化地对个人第二天的心情、健康和压力等级进行预测

过往的方法通常准确率较低,大部分是解决心情识别的问题,很少做心情预测,对心情识别只是二值分析,不区分程度。对每个人都采用统一的模型分析,不针对个人进行模型的调整。

本文利用用户的生理指标,行为和天气等信息训练 DNN 和 GP 来同时对用户第二天的心情、健康和压力进行预测。在 DNN 中运用多任务学习机制,对每个人进行建模,在 GP 中运用领域自适应机制,对每个人的模型进行调整。

论文链接:paperweekly.site/papers

Fast-Slow Recurrent Neural Networks

@sylar 推荐

#Sequential Modeling

NIPS 2017 录用论文,本文解决的是不同 timescale 的序列输入问题,适用场景包括语音、推荐 session 中的兴趣捕捉等。

论文链接: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

发布于 2018-03-09

文章被以下专栏收录

    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。