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。
@theodoric008 推薦
#Relation Extraction
本文是中科院自動化所發表於 AAAI 2018 的工作。論文提供了一種利用強化學習進行物體關係抽取的思路，近幾年做 RE 的，有基於 Supervised 資料集的：2015 Xu CNN，2016 Zhou LSTM；有基於遠端監督資料集的：2015 Zeng PCNN，2016 Lin PCNN + ATT 等等。
本文也是基於遠端監督資料集，但是與前面提到的不同的是，本文模型可以對句子分類，而不僅僅對 Bag (Entity pair)。
@Ttssxuan 推薦
#Content-based Image Retrieval
本文是 Pinterest 試驗的圖片檢索演演算法，本文從：training data，user/image featurization 和 ranking models 等角度進行解讀，並做了效能和質量方面的測試。
Group Normalization
@chlr1995 推薦
#Normalization
本文為 Kaiming He 新作。Batch-Norm 在深度學習中一直扮演著重要的角色，但 BN 也存在著明顯的問題——需要足夠大的 Batch Size，大大增加了訓練的成本。本文提出了一種新的歸一化——Group Norm 替代 BN，並且透過實驗證明，在較小的 Batch Size 下，使用 GN 的網路最終得到的結果，要比使用BN的結果更好。
@paperweekly 推薦
#Machine Reading Comprehension
本文提出了一個醫療領域的機器理解資料集。該資料集基於大量臨床病例報告，對病例進行了約100,000次間隙填充查詢。
@chlr1995 推薦
#Object Detection
雖然現在利用 DL 的方法在物體檢測方面取得了顯著的成果，但是這些方法往往都是面向低精度的檢測，即設定 IoU 為 0.5 提取粗精度的候選框，這樣就導致了精度低甚至會檢測出噪聲。
本文提出了一種雙向金字塔網路結構，在不犧牲檢測效率的情況下，達到高精度檢測（如，IoU>0.5）。而且在實驗中，COCO 和 Pascal 資料集都取得了 state-of-the-art 的結果。
@paperweekly 推薦
#Deep Neural Networks
本文提出了一種簡單的 DNN 訓練方法 SWA，作為 SGD 的替代。SWA 具備更好的泛化能力、更快的收斂速度，並且幾乎沒有任何計算開銷。
@robertdlut 推薦
#Self-Attention
本文來自 AAAI2018，廈門大學 Tan 等人的工作。他們將 Self-Attention 應用到了語意角色標註任務（SRL）上，並取得了先進的結果。這篇論文中，作者將 SRL 作為一個序列標註問題，使用 BIO 標簽進行標註，然後提出使用深度註意力網路（Deep Attentional Neural Network）進行標註。
在每一個網路塊中，有一個 RNN/CNN/FNN 子層和一個 Self-Attention 子層組成。最後直接利用 softmax 當成標簽分類進行序列標註。
@chlr1995 推薦
#Object Detection
YOLO 網路 V3 版本，比 SSD 速度提升了 3 倍，比 RetinaNet 速度提高近 4 倍。本文使用 DarkNet 作為底層網路，透過最佳化模型細節，進一步加快了 YOLO 的速度。
@williamking5 推薦
#GAN
本文將 Hinton 大神最新提出的膠囊網路 CapsNet 取代 CNN，作為判別器應用到了生成對抗網路當中。
@somtian 推薦
#Recommender System
本文在利用深度學習做推薦時，考慮了推薦的顯式反饋和隱式反饋，將其融合構建成一個矩陣，從而將使用者和產品的不同向量輸入到兩個並行的深層網路中去。最後，設計了一種新型的損失函式以同時考慮評分和互動兩種不同型別的反饋資料。
@chlr1995 推薦
#Gated Recurrent Unit
在深度神經網路中，ReLU 往往被用作啟用函式，而使用 softmax 作為分類器。本文受到近來使用其他分類器方法啟發，嘗試了使用 ReLU 作為 DNN 的分類器。
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！
點選以下標題檢視往期推薦：
#作 者 招 募#
我是彩蛋
解鎖新功能：熱門職位推薦！
PaperWeekly小程式升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實習都不是問題
解鎖方式
1. 識別下方二維碼開啟小程式
2. 用PaperWeekly社群賬號進行登陸
3. 登陸後即可解鎖所有功能
職位釋出
請新增小助手微信（pwbot02）進行諮詢
長按識別二維碼，使用小程式
*點選閱讀原文即可註冊
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 | 加入社群刷論文