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。
// 自然語言處理 //
@paperweekly 推薦
#Chinese Text Dataset
清華大學和騰訊共同推出了一個超大規模的中文自然文字資料集——CTW，該資料集包含 32,285 張影象和 1,018,402 個中文字元，規模遠超此前的同類資料集。
@zhkun 推薦
#Attention Model
本文將 hard-attention 和 soft-attention 進行巧妙融合，hard-attention 處理長句子依賴問題，soft-attention 進行更精細化的操作，同時為 hard-attention 提供指導，併在強化學習的方法下實現了兩種 attention mechanism 的有效融合，方法還是很有意思的。
Building Task-Oriented Dialogue Systems for Online Shopping
@xcwill 推薦
#Dialog System
本文來自微軟小冰團隊，論文展示了完整的基於網購任務的對話系統構建。
@kaierlong 推薦
#Deep Learning
本文全面概述了深度神經網路的壓縮方法，主要可分為引數修剪與共享、低秩分解、遷移/壓縮摺積濾波器和知識精煉，本論文對每一類方法的效能、相關應用、優勢和缺陷等進行獨到的分析。
@yinnxinn 推薦
#Sentence Classification
本文有機地將 CNN 和 RNN 結合，從語意層面對 sentense 進行分類，取得良好的效果，文章亮點在於模型的結合使用。
@Romantic1412 推薦
#Object Detection
本文來自滑鐵盧大學和 DarwinAI，論文提出了一個比 Tiny YOLO 更快效果更好的適用於嵌入式裝置的物體檢測演演算法。
@xaj 推薦
#Medical Image Analysis
本文研究的問題是乳腺核磁共振影象（2D）的分割，對比了 K-Means、標記控制分水嶺演演算法和高斯混合模型三種方法。
@Layumi 推薦
#Medical Image Analysis
本文提升了 ChestX-ray14 資料集上 state-of-the-art performance。透過 Attention機制，讓計算機關註病理區域。
@sunlightll 推薦
#Multi-task Learning
本文從 Giphy 網站上獲取 GIF 圖片，透過其 GIFGIF 平臺，這篇文章構建了一個帶有情感的 GIF 圖片庫：GIFGIF+，包含 23,544 張圖片，17 種情感分類。
@jamiechoi 推薦
#Image Captioning
本文研究的問題是根據圖片生成網民評論，提出了一個大規模服裝資料集——NetiLook，其中包含源自 11,034 位 Lookbook 使用者的 355,205 張圖片和 500 萬條評論。此外，論文還提出了三種衡量多樣性的方法。
@jindongwang 推薦
#Domain Adaptation
本文是一篇比較新的 domain adaptation 文章，裡面有二十幾種方法的結果，非常值得借鑒。
@Synced 推薦
#Neural Network Architectures
本文提出超越神經架構搜尋（NAS）的高效神經架構搜尋（ENAS），這是一種經濟的自動化模型設計方法，透過強制所有子模型共享權重從而提升了 NAS 的效率，剋服了 NAS 算力成本巨大且耗時的缺陷，GPU 運算時間縮短了 1000 倍以上。
在 Penn Treebank 資料集上，ENAS 實現了 55.8 的測試困惑度；在 CIFAR-10 資料集上，其測試誤差達到了 2.89%，與 NASNet 不相上下（2.65% 的測試誤差）。
@chenliang 推薦
#Database
本文創造性地將資料庫索引視為可學習的物件，將不同的索引結構對應成不同的機器學習問題。比如，將索引一段排序內容視為 regression 問題，將 hash 解決的資料存在與否問題視為 classification 問題。
雖然目前主要考慮了 read-only 的解決方案，但仍有開闢新研究領域的潛力。
@sunlightll 推薦
#Affective Computing
本文結合了多工學習和領域自適應方法，個性化地對個人第二天的心情、健康和壓力等級進行預測。
過往的方法通常準確率較低，大部分是解決心情識別的問題，很少做心情預測，對心情識別隻是二值分析，不區分程度。對每個人都採用統一的模型分析，不針對個人進行模型的調整。
本文利用使用者的生理指標，行為和天氣等資訊訓練 DNN 和 GP 來同時對使用者第二天的心情、健康和壓力進行預測。在 DNN 中運用多工學習機制，對每個人進行建模，在 GP 中運用領域自適應機制，對每個人的模型進行調整。
@sylar 推薦
#Sequential Modeling
NIPS 2017 錄用論文，本文解決的是不同 timescale 的序列輸入問題，適用場景包括語音、推薦 session 中的興趣捕捉等。
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！
#榜 單 公 布 #
2017年度最值得讀的AI論文 | NLP篇 · 評選結果公佈
2017年度最值得讀的AI論文 | CV篇 · 評選結果公佈
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（pwbot01）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 | 加入社群一起刷論文