在碎片化閱讀充斥眼球的時代，越來越少的人會去關注每篇論文背后的探索和思考。

在這個欄目里，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。

點擊本文底部的「閱讀原文」即刻加入社區，查看更多最新論文推薦。

這是 PaperDaily 的第 118?篇文章

@lvxin 推薦

#Knowledge Representation

本文是清華大學發表于 EMNLP 2018 的工作。論文提出了一種新的區分概念和實例的知識圖譜表示學習方法，將上下位關系與普通的關系做了區分，可以很好的解決上下位關系的傳遞性問題，并且能夠表示概念在空間中的層次與包含關系。?

知識圖譜的表示學習最近幾年被廣泛研究，表示學習的結果對知識圖譜補全和信息抽取都有很大幫助。傳統的表示學習方法沒能區分概念（concept）和實例（instance）之間的區別，而是多數統一看作實體（entity），而概念顯然和實例不是同一個層次的，統一的表示是有欠缺的。更重要的是，之前的方法多數無法解決上下位關系傳遞性的問題，這是不區分概念和實例表示的弊端。?

本文創造性地將概念表示為空間中的一個球體，實例為空間中的點，通過點和球體的空間包含關系和球體間的包含關系來表示上下位關系，這種表示可以很自然地解決上下位關系傳遞性的問題。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2484

源碼鏈接

https://github.com/davidlvxin/TransC

@paperweekly 推薦

#Named Entity Recognition

本文是 UIUC、USC 和觸寶科技發表于 EMNLP 2018 的工作，論文提出了一個無需人工標注就可以自動標記數據并訓練 NER 的模型——AutoNER。實驗表明，AutoNER 訓練的模型在 3 個數據集上均與 supervised benchmark 效果相當，并且在所有僅采用 dictionary 的方法中，也是效果最好的。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2464

源碼鏈接

https://github.com/shangjingbo1226/AutoNER

@paperweekly 推薦

#Knowledge Graph

本文是 Salesforce Research 發表于 EMNLP 2018 的工作，論文主要關注的是基于強化學習的知識圖譜問答任務。針對該任務，作者提出了兩種全新機制：1. Reward Shaping：借助預訓練的知識圖譜嵌入模型對任意三元組設置預期獎勵，從而有效避免訓練時出現的虛假負例影響測試結果；2. Action Dropout：通過探索不同的路徑，有效避免虛假路徑誤導模型。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2410

源碼鏈接

https://github.com/salesforce/MultiHopKG

@paperweekly 推薦

#Abstractive Summarization

本文是北京大學和騰訊 AI Lab 發表于 EMNLP 2018 的工作。摘要生成任務通常都是基于單輪抽取，本文創新地提出了一種迭代式多輪摘要抽取模型，并且引入了一種選擇性讀取機制，可以更準確地決定哪些句子表示需要更新。實驗表明，本文模型在 CNN/DailyMail 和 DUC2002 數據集上均取得了 SOTA 效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2448

源碼鏈接

https://github.com/yingtaomj/Iterative-Document-Representation-Learning-Towards-Summarization-with-Polishing

@yangchengTHU 推薦

#Chinese Poetry Generation

本文是清華大學發表于 EMNLP 2018 的工作。傳統的中國古詩生成模型普遍采用機器翻譯中的 seq2seq 模型，用上一句的詩句作為輸入，預測生成下一句作為輸出。但是機器翻譯任務和古詩生成任務有很大的不同：機器翻譯任務中輸入與輸出的一一對應關系比較強，如中英翻譯中中文出現了“蘋果”一詞則英文翻譯中就會出現“apple”；而詩歌生成任務中卻是一對多的情況，即便作為輸入的上句提到了“月”這個意象，下句也可能有風格迥異的完全不同的輸出。如果使用機器翻譯模型訓練詩歌語料，則會有很大概率會生成例如“不知何處去”這種非常普遍但沒有什么實質含義的句子，很難學習到不同風格的輸出。?

本文提出了一種對于同一輸入可以產生多個輸出的生成模型，同時保證不同的輸出之間有較大的區分性。另一方面，因為語料庫中對于詩歌風格暫時沒有專家標注，我們的模型利用互信息作為約束正則項，可以實現完全無監督的風格生成。人工評測結果表明，我們的模型生成的各種風格都是可識別的，并且其他指標也優于基線模型。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2500

@paperweekly 推薦

#Sequence Labelling

本文是墨爾本大學和京東發表于 EMNLP 2018 的工作，論文針對端到端模型提出了一種全新利用特征工程的方法，將 Auto-Encoder 嵌入端到端模型中。在訓練階段，在手動提取特征之后，將其輸入到深度學習 Encoder 中，隨后在輸出端重建特征并計算損失函數做反向傳播。在預測階段，只將手動提取特征輸入到 Encoder 中，但不重建特征。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2468

源碼鏈接

https://github.com/minghao-wu/CRF-AE

@ttmy5 推薦

#Object Detection

本文總結了最近 5 年來計算機視覺重要領域——目標識別的重要進展。內容非常詳細，是目標識別領域這幾年來少見的綜述，文章指出了未來值得研究的幾個方向，對研究者有很大的指導意義。該文章也已提交 IJCV 候審。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2461

@darksoul 推薦

#Convolutional Neural Networks

本文是 Momenta 和牛津大學發表于 NIPS 2018 的工作，論文來自原 SENet 作者。本文使用了一種新的 attention 機制，對 feature map 上每一個點單獨學習weight。

論文思路和 CBAM 相似，不同之處在于學習 weight 的方式，文章使用了 g 和 e 兩個主要模塊，g 部分將原 feature 尺度精煉縮小，e 將精煉的 feature 進行插值還原到原始尺度，使用 Hadamard Product 的方式將原始 feature 進行重構（本質上是將原始 feature 上的高響應部分進行放大，也就是文章說的 excite 過程）。

SENet 本質上是對每個 channel 進行 weight，本文提出的 GENet 則是從本質上對 feature 每個點進行 weight。從包含關系上講，SENet 是 GENet 的一種特例。論文想法簡單，有種大道至簡的感覺。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2471

源碼鏈接

https://github.com/hujie-frank/GENet

@Kralkatorrik 推薦

#Face Recognition

本文是 L2-Softmax 作者對之前工作的擴展，作者將 L2-Softmax 更名為 Crystal Loss，分析了在視頻人臉驗證的流程中序列特征取平均值，由于不同幀之間圖像質量不同，會導致這樣的特征表達是非最優的。于是作者引入了 Quality Pooling 概念，通過檢測得到的 bbox score 來對序列特征做 rescale，最終能夠在 LFW、IJB 等數據集上達到 SOTA 效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2463

@paperweekly 推薦

#Person Re-identification

本文是 Argo AI 和拉瓦爾大學發表于 ECCV 2018 的工作，論文提出了一個全新合成數據集 SyRI dataset，該數據集通過改變 HDR 參數等方法，使得一個行人 ID 可擁有一百多個環境下圖像數據。此外，為了在未見過的真實場景中實現更好的域適應效果，論文基于這個合成數據集提出了一種新的方法，這個方法性能超越了目前最先進的半監督和無監督的方法。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2363

@zhangjun 推薦

#Hyperparameter Optimization

本文來自 AAAI 2019，針對深度神經網絡超參優化時間成本過高的問題，論文提出了一種將多個代理模型進行集成的方法，并在 CNN、RNN、VAE 等 DNN 模型中進行了效果驗證。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2478

@jindongwang 推薦

#Domain Generalization

本文是斯坦福大學發表于 NIPS 2018 的工作，論文研究的問題是比域自適應（Domain Adaptation）更前沿的一個方向——Domain Generalization。

在遷移學習領域，數據主要分為源域和目標域，源域的數據和標簽是可獲得的，而目標域的數據標簽獲得成本高，現有的一些遷移學習方法主要是在做源域和目標域的數據特征分布的對齊對源域用監督訓練，而對于目標域任務應用無監督學習。但對于有些目標任務，目標領域的數據可能非常缺失或者獲得成本非常高，以至于只有很少的目標域數據，甚至沒有目標域數據。?

為了應對這種目標領域數據缺失或收集成本高的挑戰，作者提出了用于 Domain Generalization 的對抗增強遷移方法。該方法的大致思路介紹如下：這是一種無監督的對抗數據增強遷移學習方法，在該方法中，作者利用了樣本級和特征級的表征，以及語義損失和循環一致性，使得模型在樣本層面和特征層面都能進行適應，在利用任務損失的同時能保持循環一致性，而且無需對齊的配對。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2481

源碼鏈接

https://github.com/ricvolpi/generalize-unseen-domains

@paperweekly 推薦

#Recommender System

本文是加州大學圣地亞哥分校發表于 CIKM 2018 的工作，論文借助混合專家模型（mixtures-of-experts）和知識圖譜嵌入思想提出了一種全新框架，巧妙利用用戶序列行為中相鄰物品間的關系來解釋用戶在特定時間點的行為原因，進而基于用戶的近期行為對其下一次行為進行預測。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2458

源碼鏈接

https://github.com/kang205/MoHR

@xuzhou 推薦

#Time Series Analysis

本文是奧爾堡大學發表于 CIKM 2018 的工作。為了確保準確預測時間序列，論文首次提出結合 CNN 和 RNN 來分析和提取時間序列特征并進行預測，將深度神經網絡應用到時間序列分析，提供了啟發性的研究。

具體來說，第一個模型在每一個時間序列上進行 CNN，組合卷積的特征并在卷進中的前幾個特征上使用 RNN 進行預測。第二個模型在每一個 CNN 上添加了自動編碼器，從而模型轉換成了多任務學習模型，并且 juice 更加準確。兩個真實數據集的實驗結果顯示了兩個模型的有效性。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2509

@xinqin 推薦

#Transfer Learning

本文是清華大學和騰訊 AI Lab 發表于 AAAI 2019 的工作。當前主流用于機器人行動規劃的方法主要依賴于兩個要求：精確相關的專家示例或目標任務的顯式編碼代價函數，但在實踐中獲取并不方便。模仿學習目前面臨的一個問題是要求提供的專家示例與機器人期望執行的動作要高度一致。然而，這一要求可能并不總是成立，因為收集準確相關的演示是資源消耗的。

本文通過將專家偏好作為指導放松了這兩個強條件，開發了一種新的任務遷移框架。具體地，通過調整兩步完成：首先，讓專家應用預先定義的偏好規則，為目標任務選擇相關專家論證。其次，在選擇結果的基礎上，通過增強對抗式 MaxEnt IRL，同時學習目標成本函數和軌跡分布，并通過學習目標分布生成更多軌跡，用于下一個偏好選擇。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2474

@paperweekly?推薦

#Social Recommendation

本文是重慶大學、亞利桑那州立大學和昆士蘭大學發表于 CIKM 2018 的工作。論文提出了一種基于潛在好友關系和購買關系構建異質信息網絡的方法，針對不同用戶，采用動態采樣方式生成用戶的潛在好友。實驗表明，本文方法在 Last.fm、豆瓣和 Epinions 數據集上，均達到了當前最優效果。本文實驗豐富、數據真實、相關代碼完善，在社會化推薦方面十分有借鑒和參考意義。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2469

源碼鏈接

https://github.com/Coder-Yu/RecQ

#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

添加小助手領取禮物

想要贏取以上周邊好禮？

點擊閱讀原文即刻推薦論文吧！

點擊以下標題查看往期推薦：?

• ??又為寫作思路熬到禿頭？16篇最新論文打包送你

• ??收下這 16 篇最新論文，周會基本不用愁

• ??暑假沒人帶怎么辦？還有我們為你推薦論文

• ??本周份AI論文推薦新鮮出爐！真的很skr了~
  

• ??想了解推薦系統最新進展？請收好這些篇論文

• 正經煉丹師如何完美安排國慶長假？

#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干貨。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，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

?

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 獲取更多論文推薦

總結

以上是生活随笔為你收集整理的不知道读什么好？这 16 篇最新论文，帮你轻松积攒知识点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。