收藏|精選11篇AI領域論文（附程式碼、資料集連結）

技術小能手發表於2018-04-02
AI

01

Large Scaled Relation Extraction with Reinforcement Learning

@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實體關係抽取的思路，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)。

論文連結：

https://www.paperweekly.site/papers/1783

02

Demystifying Core Ranking in Pinterest Image Search

@Ttssxuan 推薦

#Content-based Image Retrieval

本文是 Pinterest 試驗的圖片檢索演算法，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。

論文連結：

https://www.paperweekly.site/papers/1798

03

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，並且通過實驗證明，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。

論文連結：

https://www.paperweekly.site/papers/1765

程式碼連結：

https://github.com/shaohua0116/Group-Normalization-Tensorflow

04

CliCR: A Dataset of Clinical Case Reports for Machine Reading Comprehension

@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。

論文連結：

https://www.paperweekly.site/papers/1790

資料集連結：

https://github.com/clips/clicr

05

Single-Shot Bidirectional Pyramid Networks for High-Quality Object Detection

@chlr1995 推薦

#Object Detection

雖然現在利用 DL 的方法在實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。

論文連結：

https://www.paperweekly.site/papers/1766


06

Averaging Weights Leads to Wider Optima and Better Generalization

@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。

論文連結：

https://www.paperweekly.site/papers/1789

程式碼連結：

https://github.com/timgaripov/swa

07

Deep Semantic Role Labeling with Self-Attention

@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 應用到了語義角色標註任務（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 標籤進行標註，然後提出使用深度注意力網路（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 當成標籤分類進行序列標註。

論文連結：

https://www.paperweekly.site/papers/1786

程式碼連結：

https://github.com/XMUNLP/Tagger

08

YOLOv3: An Incremental Improvement

@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，通過優化模型細節，進一步加快了 YOLO 的速度。

論文連結：

https://www.paperweekly.site/papers/1782

程式碼連結：

https://pjreddie.com/darknet/yolo/

09

CapsuleGAN: Generative Adversarial Capsule Network

@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。

論文連結：

https://www.paperweekly.site/papers/1770

10

Deep Matrix Factorization Models for Recommender Systems

@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。

論文連結：

https://www.paperweekly.site/papers/1799

11

Deep Learning using Rectified Linear Units (ReLU)

@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。


原文釋出時間為：2018-03-31

本文來自雲棲社群合作伙伴“資料派THU”，瞭解相關資訊可以關注“資料派THU”微信公眾號


相關文章