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。
@Synced 推薦
#RNN
近日，CMU 和蒙特利爾大學聯合提出一種新型的多級記憶的 RNN 架構——巢狀 LSTM。在訪問內部記憶時，巢狀 LSTM 相比傳統的堆疊 LSTM 有更高的自由度，從而能處理更長時間規模的內部記憶。
實驗也表明，NLSTM 在多種任務上都超越了堆疊 LSTM。作者認為巢狀 LSTM 有潛力直接取代堆疊 LSTM。
@hussar 推薦
#Knowledge Representation
本文提出了一種統一的開放知識表示方法 OKR，可以解決多檔案的摘要問題。透過各種指代連結技術對多檔案的資訊進行壓縮。
Deconvolutional Paragraph Representation Learning
@icaruss 推薦
#Encoder-Decoder Framework
這篇 2017 年發表在 NIPS 的文章提供了一個 deconvolutional text autoencoder 架構，在長文字重構上從原先的 20 多的 bleu score 提升到 90 多，併在文字分類等下游任務上提升顯著。另外，本文在速度上也提升了三到五倍。
@paperweekly 推薦
#Knowledge Graph
知識圖譜和 NLP 資料裡通常只有正樣本，所以訓練傳統嵌入模型的時候，大家喜歡用隨機取樣方法生成負例。但是這樣生成的負例往往質量很差，對模型訓練沒什麼幫助。作者提出了一種基於強化對抗學習的新方法，可以自動生成高質量的負樣本。
@kaierlong 推薦
#Recurrent Neural Network
本文提出的 MobiRNN 框架，可以顯著降低 RNN 模型在手機裝置上的執行時間。
@paperweekly 推薦
#GAN
訓練不穩定至今仍是 GAN 的一個重大挑戰。本文提出了一種新型權值歸一化（weight normalization）技術 SN-GANs，能讓判定器訓練更加穩定。
這是一種輕量化、易實現的方法，作者用 CIFAR10、STL-10 和 ILSVRC2012 的資料集對它進行了測試，實驗證明，SN-GANs 能比以往提出的穩定方法生成質量更高，或者至少是質量相當的影象。
@chenhong 推薦
#Object Tracking
object tracking 是影片分析的基本任務，長期以來一直有兩大陣營，CF 相關濾波和 CNN，當然也可以 CF+CNN 融合。
本文將 tracking 過程分解為兩個並行但是相互協作的部分：一個用於快速的跟蹤（fast tracking），另一個用於準確的驗證（accurate verification）。
@paperweekly 推薦
#Generative Adversarial Networks
本文為 ICLR 2018 錄用論文，主要研究如何從嘈雜、扭曲、區域性的觀察中學習 GAN。
@paperweekly 推薦
#Scene Recognition
基於摺積神經網路的 RGB-D 場景識別，本文為 AAAI2017 錄用文章。
@Synced 推薦
#Image Segmentation
本文展示了 U-Net 型別的架構如何利用預訓練的編碼器提升效能。程式碼和相關的預訓練權重已開源。文中比較了三種權重初始化方案：LeCun uniform、取自 VGG11 權重的編碼器和在 Carvana 資料集上訓練的完整網路。
該網路架構是 Kaggle 競賽（Carvana Image Masking Challenge）中獲勝解決方案（在 735 名參賽者中排名第一）的一部分。
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。
