每周论文清单：知识图谱，文本匹配，图像翻译，视频对象分割
在碎片化閱讀充斥眼球的時(shí)代，越來越少的人會(huì)去關(guān)注每篇論文背后的探索和思考。
在這個(gè)欄目里，你會(huì)快速 get 每篇精選論文的亮點(diǎn)和痛點(diǎn)，時(shí)刻緊跟 AI 前沿成果。
點(diǎn)擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。
這是 PaperDaily 的第?31?篇文章[ 自然語言處理 ]
@jerryshi 推薦
#Knowledge Graph
本文對當(dāng)下流行的 Knowledge Graph Eembedding 進(jìn)行匯總，主要介紹了兩大類，Translational Distance Models 和 Semantic Matching Models，簡要敘述了每中方式下的算法。最后又給出了 KG Embedding 的一些應(yīng)用，包括 KG 內(nèi)部知識補(bǔ)全及外部的關(guān)系抽取、QA、推薦等。
Parallel WaveNet: Fast High-Fidelity Speech Synthesis@wuhecong 推薦
#Deep Learning
DeepmMind 17 年 11 月份的論文，wavenet 的改良版本，實(shí)現(xiàn)了并行文本轉(zhuǎn)語音。可以和百度的 Deep Voice 3 對比一下。
Deconvolutional Latent-Variable Model for Text Sequence Matching
@zhangjianhai 推薦
#Sentence Matching
利用 Convolution encoder - Deconvolution decoder 學(xué)習(xí)句子的語義表示，將 cnn-deconv 框架用于文本匹配任務(wù)中，如 Text Entailment、Paraphrase Identification 任務(wù)中，generation 和 discriminative 共同訓(xùn)練，提升特定任務(wù)的效果。
該論文方法優(yōu)勢是可以利用 unlabeled 數(shù)據(jù)幫助學(xué)習(xí)句子表示，當(dāng)數(shù)據(jù)不足時(shí)非常有效，隨著標(biāo)注數(shù)據(jù)的增加，優(yōu)勢逐漸減小。
Exploring the Effectiveness of Convolutional Neural Networks for Answer Selection in End-to-End Question Answering@longquan 推薦
#QA System
本文嘗試探索了從整個(gè)端到端問答系統(tǒng)的流程的角度去衡量卷積神經(jīng)網(wǎng)絡(luò)對于答案選擇任務(wù)的有效性。使用的數(shù)據(jù)集是標(biāo)準(zhǔn)的 TrecQA 數(shù)據(jù)集。
Attention-based LSTM for Aspect-level Sentiment Classification@applenob 推薦
#Sentiment Classification
使用基于 Attention 的 LSTM 解決細(xì)粒度的情感分析問題，在 SemEval 2014 上取得 state-of-art 的結(jié)果。
Learning a Wavelet-like Auto-Encoder to Accelerate Deep Neural Networks@Aidon 推薦
#Neural Networks
文章提出一種加速 DNNs 的新方法（WAE: wavelet-like auto-encoder）來克服現(xiàn)有方法中存在的一個(gè)主要問題：如何保證網(wǎng)絡(luò)加速而又不損失網(wǎng)絡(luò)性能。
MAE 借助小波的思想，在 encoding 階段利用 CNNs 分別提取圖像的低頻分量和高頻分量，在 decoding 階段利用這兩個(gè)分量恢復(fù)出原始圖像。
訓(xùn)練好 MAE 之后，可以用于提取圖像的低頻分量和高頻分量，比如在圖像分類任務(wù)中，將低頻分量輸入到標(biāo)準(zhǔn)的分類 DNNs（如 VGG-16，ResNet）中，然后與高頻分量融合后一起用于分類。
這里提高效率的關(guān)鍵在于，相比于原始圖像，提取的低頻分量和高頻分量都是低分率（原始圖像的 1/4）的。
Targeted Backdoor Attacks on Deep Learning Systems Using Data Poisoning@snowwalkerj 推薦
#Face Recognition
在不直接接觸模型和訓(xùn)練樣本的前提下，只使用極少量的“污染樣本”來迷惑模型，達(dá)到攻擊（偽裝）指定類別的目的。攻擊者可以通過佩戴特定的裝飾來達(dá)到把自己偽裝成某個(gè)特定目標(biāo)的目的。
@corenel 推薦
#Unsupervised Learning
本文來自 Facebook AI Research，提出了一種利用單一模型來 ensemle 不同 encoded features 來進(jìn)行 self=training 的方法，就結(jié)果上來說很不錯(cuò)，值得一看。
@duinodu 推薦
#Image-to-image Translation
在很多 image-to-image 問題中，one-to-many 是大部分情況，而一般方法比如 pix2pix，僅僅能產(chǎn)生 one-to-one 的結(jié)果，但似乎 one-to-many 更符合常理。比如一張灰色的圖，對應(yīng)的彩色圖片應(yīng)該有很多種方式，不僅僅是一種。
困難在于，GAN 總是會(huì)讓 G 產(chǎn)生某幾種固定的模式輸出，而如果簡單地在輸入加隨機(jī)噪聲，G 會(huì)在 D 的判別下，忽略隨機(jī)噪聲的作用，還是會(huì)有 mode collapse 問題。
文章提出一種 bicycle 的方式，顯式地對隱含變量 z 進(jìn)行表示，處理 one-to-many 中的 mode collapse 問題。
Video Object Segmentation with Re-identification@chenhong 推薦
#Video Object Segmentation
傳統(tǒng)的視頻分割方法依賴于生成掩膜的時(shí)間連續(xù)性，但是無法處理目標(biāo)丟失或目較大的位移等情況。
論文為了克服這些問題，提出視頻對象分割與重新識別（ Video Object Segmentation with Re-identification，VSReID），包括掩碼生成模塊和 ReID 模塊（Person re-identification，ReID，既給定一個(gè)監(jiān)控行人圖像，跨設(shè)備檢索行人的圖像）。
前者通過 flow warping 生成初始化概率圖，后者自適應(yīng)匹配檢索丟失的目標(biāo)實(shí)體。通過通過兩個(gè)模塊的迭代應(yīng)用，本文的模型在 DAVIS-2017 取得冠軍，驗(yàn)證了算法的性能。
本文由 AI 學(xué)術(shù)社區(qū) PaperWeekly 精選推薦，社區(qū)目前已覆蓋自然語言處理、計(jì)算機(jī)視覺、人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和信息檢索等研究方向，點(diǎn)擊「閱讀原文」即刻加入社區(qū)！
我是彩蛋?
?解鎖新功能：熱門職位推薦！
PaperWeekly小程序升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實(shí)習(xí)都不是問題
?
?解鎖方式?
1. 識別下方二維碼打開小程序
2. 用PaperWeekly社區(qū)賬號進(jìn)行登陸
3. 登陸后即可解鎖所有功能
?職位發(fā)布?
請?zhí)砑有≈治⑿?#xff08;pwbot01）進(jìn)行咨詢
?
長按識別二維碼，使用小程序
*點(diǎn)擊閱讀原文即可注冊
關(guān)于PaperWeekly
PaperWeekly 是一個(gè)推薦、解讀、討論、報(bào)道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點(diǎn)擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
總結(jié)
以上是生活随笔為你收集整理的每周论文清单：知识图谱，文本匹配，图像翻译，视频对象分割的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： GAN做图像翻译的一点总结
- 下一篇： 融合 MF 和 RNN 的电影推荐系统