知識星球
在碎片化閱讀充斥眼球的時代，越來越少的人會去關註每篇論文背後的探索和思考。
在這個欄目裡，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。
點選本文底部的「閱讀原文」即刻加入社群，檢視更多最新論文推薦。
@rqyang 推薦
#Natural Language Generation
本文探討了用 GAN 作為 autoencoder 的 regularizer 的方法及其在文字生成和離散影象生成中的應用。
此類方法可以同時得到一個文字生成模型和一個高質量的自編碼器：編碼空間受到 GAN loss 的約束後，相似離散結構的編碼也會比較類似。
方法稍加擴充套件則可以用作離散結構的 unaligned style transfer，並取得了這方面的 state-of-the-art results。
@chenbjin 推薦
#Multimodal Sentiment Analysis
傳統多模態情感分析是句子獨立的，也就是對每個句子進行多模特徵融合，分析情感極性。而該文則嘗試利用雙層的 LSTM 來融合當前句子的背景關係資訊，並且實驗對比了不同 LSTM 模型的效果，最後在 MOSI 和 IEMOCAP 資料集上都達到 state-of-art 的效果。
The NarrativeQA Reading Comprehension Challenge
@zhangjun 推薦
#Machine Reading Comprehension
由 DeepMind 釋出的全新機器閱讀理解資料集 NarrativeQA，其難度和複雜度都進行了全面升級。
@paperweekly 推薦
#Keywords Replacing
本文提出了一個高效的關鍵詞替換和抽取演演算法 FlashText，該演演算法的時間複雜度不依賴於搜尋或替換的字元的數量。
@zhangjun 推薦
#Word Embeddings
本文嘗試了利用詞語表示學習與 HowNet 知識庫進行詞典擴充套件。詞典擴充套件任務旨在根據詞典中的已有詞語，自動擴展出更多的相關詞語。本文已被 AAAI 2018 錄用。
@paperweely 推薦
#Image Classification
本文為 ICLR 2018 最佳論文。文章基於 CNN，提出一種影象分類方法：在現實中對影象分類難度不一，採用一個固定的框架對圖片進行分類時有時不夠靈活，比如使用複雜網路對簡單圖片分類比較浪費資源，而使用簡單網路對複雜圖片進行分類效果又不夠好。
@jindongwang 推薦
#Domain Adaptation
CVPR 2017 第一篇用深度網路來學習 hash code 的文章。本文貢獻了一個新的 domain adaptation 資料集：Office-home，包含 65 類 object。本文也是首次用深度網路以 domain adaptation 的方式學習 hash code 的文章。
@rozentill 推薦
#Image Style Transfer
本文提出了一種 non-parametric 的 style transfer 演演算法，在保持全域性結構的前提下，將 visual attribute 進行遷移，得到了不同於目前絕大多數 style transfer 的 promising 的結果，豐富了 style transfer 的應用場景。
@duinodu 推薦
#Human Pose Estimation
本文設計並分析了一個神經網路結構，能比之前已有的方法更好地估計 3D 坐標，不僅精度高，速度也快。從應用角度上說，非常具有應用價值。以 RGB 圖片作為輸入，大大擴大了應用場景。
估計 3D 人體姿態，相比於 2D 來說，3D 包含了人體姿態的全部資訊，能夠從 3D 資料中解析出更多有使用價值的資訊。所以從實際的角度出發，這項技術很有價值。
@chenbjin 推薦
#Multimodal Emotion Recognition
本文提出一個端到端的多模態（音影片）情緒識別系統，分別用 CNN 和 ResNet 抽取音訊特徵和影象特徵，再拼接作為雙層的 LSTM 的輸入，以最大化一致性相關係數（concordance correlation coefficient）為標的進行訓練，在 RECOLA 資料集上取得不錯的效果。 文章資訊量很多，還有一些音訊和影象的處理細節。
[ 機器學習 ]
@paperweekly 推薦
#Reinforcement Learning
DeepMind 最近開源的強化學習環境 Control Suite 相比 OpenAI Gym 擁有更多的環境，更易於閱讀的程式碼檔案，同時更加專註於持續控制任務。它基於 Python，由 MuJoCo 物理引擎支援，是一套強大的強化學習智慧體效能評估基準。
@duinodu 推薦
#Human Pose Estimation
本文依靠複數摺積，提出了可用於複數值深度神經網路的複數批規範化、複數權重初始化策略，並且還在端到端的訓練方案中對它們進行了實驗。實驗表明，這樣的複數值模型可以實現與其對應的實數值模型相媲美或更好的表現。
作者在一些計算機視覺任務和使用 MusicNet 資料集的音樂轉錄任務上對深度複數模型進行了測試，實現了當前最佳的表現。
@paperweekly 推薦
#Bayesian Networks
NIPS 2017 錄用論文，透過對數正態乘法噪聲構造貝葉斯修剪。
本文由 AI 學術社群 PaperWeekly 精選推薦，社群目前已改寫自然語言處理、計算機視覺、人工智慧、機器學習、資料挖掘和資訊檢索等研究方向，點選「閱讀原文」即刻加入社群！
△ 戳我領取新年禮物
參與方式
1. 長按識別下方二維碼參與投票
2. 文末留言你喜歡某篇論文的原因
3. 分享本文到朋友圈並截圖發至後臺
截止時間
2018年1月24日0點0分
福利清單
PaperWeekly定製手機殼 x 3份
PaperWeekly定製筆記本 x 5份
PaperWeekly定製行李牌 x 10份
△ 我們長這樣哦~
長按掃描二維碼，參與投票！
▼
# 高 能 提 醒 #
1. 為了方便大家在投票過程中檢視論文詳情，請勿使用微信內建瀏覽器。點選頁面右上角的“…”按鈕，在手機瀏覽器中開啟表單。
2. 本次評選包含自然語言處理和計算機視覺兩大方向，請在你所選擇的參與方向下勾選3-10篇論文。
3. 獲獎名單將於1月25日公佈，其中5位由小編根據文末留言選取，其他13位採用隨機抽取，禮物隨機發放。
長按掃描二維碼，馬上投票！
▼
關於PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智慧前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號後臺點選「交流群」，小助手將把你帶入 PaperWeekly 的交流群裡。
