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。
@tobiaslee 推薦
#Sentiment Modification
本文是北京大學發表於 EMNLP 2018 的工作，論文解決了一個非常有趣的問題——Sentiment Modification，將某種情感極性的文字轉化成另外一種極性，比如將“這家店的服務很不錯”（正向）變為“這家店的服務很差”（負向）。
透過使用 attention weight 作為指示來去除情感詞得到 neutralized context，隨後根據情感詞構建 sentiment memory，並透過該 memory 對 Seq2Seq 中 decoder 的 initial state 進行初始化，幫助其生成另外一種極性的文字。
▲ 論文模型：點選檢視大圖
@filterc 推薦
#Question Generation
本文是清華大學黃民烈老師團隊發表於 ACL 2018 的工作。深度學習對話模型存在的問題：語意理解問題、背景關係理解問題、個性身份一致性問題。透過向用戶提問，可以更好將對話進行下去，而提出一個好問題，也體現機器對人語言的理解。一個好的問題包括：interrogative（詢問詞），topic word（主題詞）和 ordinary word（普通詞）。
本文基於 encoder-decoder 的框架，提出兩種 decoders（STD 和 HTD），來估計生成出的句子中每個位置上的詞是以上三種型別的分佈。作者爬取微博 900w 對話資料，做了兩個處理共得到 49w 對。用 20 個人工模板篩選了提問式的回覆，過濾了通用的回覆如“是嗎”、“真的嗎”。
▲ 論文模型：點選檢視大圖
Learning Context-Sensitive Convolutional Filters for Text Processing
@vertigo 推薦
#Sentence Matching
本文是杜克大學發表於 EMNLP 2018 的工作。基於 hypernetworks 的思想，作者提出了用 Meta Network 來生成 CNN 模型的引數，並透過這種方式將 context 的資訊引入到模型當中（Meta Network 的輸入可以是句子本身或者另外的文字）。作者將這個 context-sensitive 的框架運用到檔案分類和句子匹配等多種問題上，獲得了明顯的提升。
▲ 論文模型：點選檢視大圖
@paperweekly 推薦
#Image Denoising
本文來自哈工大和香港理工大學，主要研究摺積網路在真實影象上的去噪效果。論文提出了一個更加真實的噪聲模型，充分考慮了訊號依賴噪聲和 ISP 流程對噪聲的影響，證明瞭影象噪聲模型在真實噪聲影象中起著關鍵作用。其次，論文提出了可實現影象盲去噪的 CBDNet 模型，該模型包含一個噪聲估計子網路和一個非盲去噪子網路。
此外，作者還提出了非對稱學習（asymmetric learning）的損失函式，允許使用者互動式調整去噪結果以增強去噪結果的魯棒性。作者將合成噪聲影象與真實噪聲影象一起用於網路的訓練，提升網路的去噪效果和泛化能力。
▲ 論文模型：點選檢視大圖
論文連結
https://www.paperweekly.site/papers/2294
原始碼連結
https://github.com/GuoShi28/CBDNet
@paperweekly 推薦
#3D Reconstruction
本文是復旦大學、普林斯頓大學、Intel Labs 和騰訊 AI Lab 合作發表於 ECCV 2018 的工作。文章提出了一種端到端的深度學習框架，可從單張彩色圖片直接生成三維網格（3D Mesh）。與現有方法不同，本文使用圖摺積神經網路表示 3D mesh，利用從輸入影象中提取的特徵逐步對橢球進行變形從而產生正確的幾何形狀。本文使用由粗到精的樣式進行生成，使得整個變形過程更加穩定。
論文詳細解讀：ECCV 2018 | Pixel2Mesh：從單幀RGB影象生成三維網格模型
▲ 論文模型：點選檢視大圖
@somtian 推薦
#Recommender Systems
本文是最新發表的一篇利用深度學習做推薦系統的綜述，不僅從深度學習模型方面對文獻進行了分類，而且從推薦系統研究的問題方面對文獻做了分類。
▲ 論文模型：點選檢視大圖
@zhangjun 推薦
#Domain Adaptation
本文是麻省理工發表於 EMNLP 2018 的工作，論文提出了一種多源遷移學習的無監督訓練方法，透過將所有 source 分為 meta-source 和 meta-target 自動構建訓練資料集，顯式地學習每個 source set 和 target example 之間的匹配度，不同的匹配度將決定 source 對 target 的重要程度。本文方法可以很好地避免 negative transfer，文中實驗成功地將 twitter source 匹配度降到最低。
▲ 論文模型：點選檢視大圖
@xuehansheng 推薦
#Network Embedding
本文針對現有的網路圖相似度計算方法 GED/MCS 的時間複雜度較高的缺陷，提出了一種基於神經網路的全新的網路圖相似度計算方法，在保證準確率的同時提高計算效率。本文的主要貢獻在於首次將神經網路取用到圖計算中，為圖相似度計算提供了一個全新的研究方向。
▲ 論文模型：點選檢視大圖
@lxylxyoo 推薦
#Text Classification
本文是北京大學發表於 COLING 2018 的工作，論文用序列生成的方式進行多標簽分類，引入了標簽之間的相關性。
▲ 論文模型：點選檢視大圖
@guohao916 推薦
#Machine Reading Comprehension
本文釋出了一個基於多陳述句的機器閱讀理解資料集，與以往常見的機器閱讀理解資料集不同，該資料集具有以下特點：
1. 資料集中答案以多選的形式出現，一個問題對應多個答案，不侷限於一個答案；
2. 對於問題的解釋來自於篇章中的多條陳述句，而不是僅侷限於一條陳述句；
3. 資料集來源於 7 個不同的領域（話題），從而增強了篇章內容話題的多樣性。
針對該問題和資料集，作者設計了一系列基於多個基準演演算法的實驗。基準演演算法包括：Random, IR, SurfaceIR, SemanticILP, BiDAF。文章定義了問題被回答的準確率，召回率和 F1 並設定為度量指標。實驗結果表明不論是在驗證集還是在測試集上，表現最好的基準演演算法 SurfaceIR 得到的 F1 指標，相比較於人工判斷得到的結果相差接近 20 個百分點。因此模型上還存在著很大的改進和提升空間。
▲ 論文模型：點選檢視大圖
@paperweekly 推薦
#Video Re-localization
本文是騰訊 AI Lab 和美國羅切斯特大學合作發表於 ECCV 2018 的工作，研究目的是在給定一個欲搜尋的影片後，在某個備選影片中快速找到與搜尋影片語意相關的片段，這在影片處理研究領域仍屬空白。因此本文定義了一個新任務——影片再定位（Video Re-localization），重組 ActivityNet 資料集影片，生成了一個符合研究需求的新資料集，並提出一種交叉過濾的雙線性匹配模型，實驗已證明瞭其有效性。
論文詳細解讀：ECCV 2018 | 騰訊AI Lab提出影片再定位任務，準確定位相關影片內容
▲ 論文模型：點選檢視大圖
@paperweekly 推薦
#Scene Segmentation
本文來自中科院自動化所。場景分割是語意分割領域中重要且具有挑戰的方向，為了有效完成場景分割任務，需要區分一些容易混淆的類別，並考慮不同外觀的物體。本文提出了一個新的自然場景影象分割框架，稱為雙重註意力網路（DANet），引入了一種自註意力機制來分別捕捉空間維度和通道維度上的視覺特徵關聯。
在處理複雜多樣的場景時，本文提出的方法比以往的方法更為靈活、有效，在三個具有挑戰性的場景分割資料集（Cityscapes、PASCAL Context 和 COCO Stuff）上取得了當前最佳分割效能。
▲ 論文模型：點選檢視大圖
@Minusone 推薦
#Recommender System
本文是 Airbnb 團隊發表於 KDD 18 的工作，摘得 Applied Data Science Track Best Paper 獎項。論文介紹了 Airbnb 利用 word embedding 的思路訓練 Listing（也就是待選擇的民宿房間）和使用者的 embedding 向量，併在此基礎上實現相似房源推薦和實時個性化搜尋。
▲ 論文模型：點選檢視大圖
@zhangjun 推薦
#Neural Architecture Search
本文來自 Google Research 和國立清華大學。大多數 NAS 的工作都針對最佳化結果在 test dataset 上的準確性，而忽略了在一些硬體裝置（比如：手機）上的模型還應考慮延遲和功耗，由此可將單標的最佳化問題轉換成一個多標的最佳化問題。本文深入分析了兩種常見的多標的 NAS 模型 MONAS 和 DPP-Net，併在一些裝置上進行了實驗對比。
▲ 論文模型：點選檢視大圖
@Molly 推薦
#Recommender System
本文是對“可解釋性推薦系統”相關以及最新研究的調研總結，內容包括問題定義、問題歷史、解決方案、相關應用和未來方向。論文內容較為全面，對於剛接觸這一方向或者已經從事搭配領域的業者學者有很好的借鑒意義，文章最後對於一些可以發展的方向的論述也很有啟發意義。
▲ 論文模型：點選檢視大圖
#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
新增小助手領取禮物
想要贏取以上週邊好禮？
點選閱讀原文即刻推薦論文吧！
點選以下標題檢視往期推薦：
#投 稿 通 道#
讓你的論文被更多人看到
如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？ 答案就是：你不認識的人。
總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。
PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術乾貨。我們的目的只有一個，讓知識真正流動起來。
? 來稿標準：
• 稿件確系個人原創作品，來稿需註明作者個人資訊（姓名+學校/工作單位+學歷/職位+研究方向）
• 如果文章並非首發，請在投稿時提醒並附上所有已釋出連結
• PaperWeekly 預設每篇文章都是首發，均會新增“原創”標誌
? 投稿郵箱：
• 投稿郵箱：hr@paperweekly.site
• 所有文章配圖，請單獨在附件中傳送
• 請留下即時聯絡方式（微信或手機），以便我們在編輯釋出時和作者溝通
?
現在，在「知乎」也能找到我們了
進入知乎首頁搜尋「PaperWeekly」
點選「關註」訂閱我們的專欄吧
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。
▽ 點選 | 閱讀原文 | 獲取更多論文推薦