节后收心困难？这15篇论文，让你迅速找回学习状态

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第 135  篇文章

各位炼丹师，小长假结束后的这几天，你是否出现了以下症状：

·不想上课

沉浸在假期中难以自拔，很难相信自己真要上课了，总觉得自己很累，无法集中精力，很难进入学习状态。

·旅游后遗症

旅途中过于劳累外加吃睡不规律。

·每逢过节胖三斤

假期宅在家，追剧游戏胡吃海喝一个都没落下。

·起不了床

由于旅行时差或者作息问题，你已经变成晚上睡不着，早上醒不来的起床困难户了。

这些「节后综合症」靠自己难以克服？是时候靠些外力来「支撑」你啦！

小编精挑细选的 15 篇优质论文都在这里，助你一键摆脱「节后综合症」，精神饱满，快速回到工作学习状态。

@刘佳玮 推荐

#Knowledge Graph Embedding

本文是新南威尔士大学发表于 NeurIPS 2019 的工作。在这项工作中，本文超越了传统的复值表示，为模型实体和知识图嵌入关系引入了更具表现力的超复杂表示，即四元嵌入，具有三个虚部的超复数值嵌入用于表示实体。关系被建模为四元数空间中的旋转。

所提出的方法的优点是：1）利用汉密尔顿积适当地捕获所有组件之间潜在的相互依赖性，促进实体和关系之间更紧密的交互；2）四元数能够在四维空间中进行表达式旋转，并且比复杂平面中的旋转具有更大的自由度；3）所提出的框架是 ComplEx 在超复数空间上的推广，同时提供更好的几何解释，同时满足关系表示学习的关键要求（即对称性、反对称性和反演）。实验结果表明，本文的方法在四个完善的知识图完成基准上实现了最先进的性能。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3221

源码链接

https://github.com/cheungdaven/QuatE

@kilifunny 推荐

#Semi-Supervised Learning

本文来自 Google Research，这一方法综合了自洽正则化（Consistency Regularization），最小化熵（Entropy Minimization）以及传统正则化（Traditional Regularization），取三者之长，并补三者之短，提出了 MixMatch 这一方法。在 CIFAR10 上，仅仅使用 250 个标签数据就达到 11% 的错误率，远超其他主流方法。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3035

源码链接

https://github.com/google-research/mixmatch

@jhy1993 推荐

#Graph Neural Networks

本文是图分析大牛 Bryan Perozzi 组发表于 ICML 2019 的工作。本文 argue 现有的 GNN 模型无法学习到一种很通用的邻居混合信息，然后提出了 MixHop 来混合不同阶邻居的信息并学习节点表示。

MixHop 非常的高效并且有很强的理论背景（MixHop 与 delta operators 之间的联系）。另外，通过混合各阶信息，MixHop 一定程度上避免了 GNN 过平滑问题。GNN 的过平滑问题：随着层数的增加，GNN 所学习到的节点表示变的没有区分度。最后作者通过大量的试验验证了 MixHop 的效果。

在 Citeseer，Cora 和 Pubmed 上，MixHop 都取得了大量提升。例如，虽然 MixHop 没有使用注意力机制来学习邻居的重要性，但其表现依然大幅超过 GAT。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3216

源码链接

https://github.com/samihaija/mixhop

@tron1992 推荐

#Image Segmentation

本文来自厦门大学、腾讯优图、中山大学和香港中文大学。论文提出了一种新的不确定度计算方式，尝试利用不确定度解决无监督域适应的问题。此外，本文还提出了一种基于不确定度的损失。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3207

@马学喆 推荐

#Seq2Seq

本文是 CMU 和 Facebook AI 联合发表于 EMNLP 2019 的工作。为了解决自自回归模型（auto regressive）在 Seq2Seq 问题上解码速度慢，只能利用一侧上下文信息等问题，提出了利用 generative flow 的非自回归模型（non-autoregressive）FlowSeq。在机器翻译任务上面的相比于之前的非自回归模型有显著提高，大大缩小了与自回归模型的差距。同时解码速度比自回归模型明显加快。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3218

源码链接

https://github.com/XuezheMax/flowseq

@SandraWu 推荐

#Video Representation Learning

近期来自 VGG 的高质量工作，因为没有在主会议发表所以没有引起大范围关注，但保持了一贯低调又实用的风格。本文提出了一种新型的自监督学习（self-supervised learning）方法 Dense Predictive Coding，学习视频的时空表征，在动作识别任务（UCF101 和 HMDB51 数据集）上获得了 state-of-the-art 的正确率，并且用无需标注的自监督学习方法在视频动作识别上达到了 ImageNet 预训练的正确率。 

自监督学习是利用无标注的数据设计代理任务（proxy task），使网络从中学到有意义的数据表征。本文设计的代理任务是预测未来几秒的视频的特征，并且用对比损失（contrastive loss）使得预测的特征和实际的特征相似度高，却不必要完全相等。因为在像素级别（pixel-level）预测未来的帧容易受到大量随机干扰如光照强度、相机移动的影响，而在特征级别（feature-level）做回归（regression）则忽视了未来高层特征的不可预测性（如视频的未来发展存在多种可能）。

文中的设计促使网络学习高层语义特征，避免了网络拘泥于学习低层特征。作者在不带标注的 Kinetics400 上训练了自监督任务（Dense Predictive Coding），然后在 UCF101 和 HMDB51 上测试了网络所学权重在动作识别上的正确率。

Dense Predictive Coding 在 UCF101 数据集上获得了 75.7% 的 top1 正确率，超过了使用带标注的 ImageNet 预训练权重所获得的 73.0% 正确率。该研究结果证明了大规模自监督学习在视频分类上的有效性。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3222

源码链接

https://github.com/TengdaHan/DPC

@ziyuL 推荐

#Brain Computer Interface

本文是一篇基于深度学习的脑机接口综述，总结了最近几年 250 余篇前沿研究，根据脑电信号将 BCI 分成了 7 大类，十余个小类，并对每一类的特性和适合的深度学习模型进行了详细的介绍。

另外，总结了脑机接口的应用场景，一共 8 大类 15 个小类，例如睡眠检测，脑部疾病诊断，智能家居等等。最后列出了算法和应用方面的一些挑战，并给出了一些思考和初步的探索（包括作者发表在 KDD，UbiComp, AAAI, IJCAI 等顶级会议的工作）。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3020

@jhy1993 推荐

#Intent Recommendation

本文是北京邮电大学和阿里巴巴发表于 KDD 2019 的工作。针对手机淘宝的用户意图推荐，本文设计了基于异质图神经网络的意图推荐模型 MEIRec。

传统商品推荐为用户推荐商品，而意图推荐则关注于预测用户的意图。本文将意图推荐的业务场景建模为异质图（包含多种类型节点和关系的图），然后设计了 metapath-guided heterogeneous Graph Neural Network 来学习该业务场景下多种不同目标的表示。同时，本文也提出一种 term embedding mechanism 来降低大规模异质图场景下的参数量。最后，在淘宝真实场景下的 AB test 证明了 MEIRec 算法的优越性。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3208

源码链接

https://github.com/googlebaba/KDD2019-MEIRec

@bugman 推荐

#Text Generation

本文来自中科院，论文将知识图谱的 Trans 思想引入到句子表示空间，提出了一个新的任务 Sentence Transfer，为了解决这个任务构建了三个数据集。人会在写作的时候使用连词（discourse marker，比如 and, but, if...）来衔接子句（discourses），连词用来显式地表达前后子句之间的语义关系。

因此作者认为在 embedding space 中，子句之间可以利用连词（表示的关系）进行迁移/翻译。在学习出句子之间的 Trans 模型后，可以用来分阶段生成结构化长句：首先生成首子句，然后选择一种关系，再 Trans 生成尾子句。这样的生成方式可以和现有的问答等任务结合。作者还给出了一个数据集上的实验结果。总体来说本文给出了一个新的生成的思路，值得发掘。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3200

数据集链接

https://github.com/1024er/TransSent_dataset

@lijin 推荐

#Zero-shot Learning

本文是电子科技大学和昆士兰大学发表于 ACM MM 2019 的工作。论文首次提出了生成式零样本学习中的特征混淆（feature confusion）问题，并提出了一种简单可行的解决特征混淆的方法。此外，作者还首次提出了一个特征混淆的度量指标。零样本学习结果在公开数据集上达到目前 SOTA 水平。

▲   论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3210

源码链接

https://github.com/lijin118/AFC-GAN

@jhy1993 推荐

#Text Classification

本文是北京邮电大学和南洋理工发表于 EMNLP 2019 的工作，文章创新性地将短文本分类问题建模为异质图（多种类型的节点和边）并提出一种端到端的异质图神经网络。短文本分类往往会遇到稀疏性问题（文本过短，无法提供足够的信息）。本文通过构图可以可以的丰富短文本之间的联系，进而较好的解决稀疏性问题。

另外，本文创新地提出一种异质图神经网络 HGAT。HGAT 分别从节点级别和类型级别聚合信息来更新节点表示。最后本文在 6 个数据集上做了大量的实验来验证 HGAT 的优越性。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3211

@yuyu2223 推荐

#Social Recommendation

本文为发表在 ICDM 2019 的工作。论文提出了一种基于生成对抗训练框架的 social recommendation 模型，指出了现有社会化推荐模型中的关系缺失、噪声问题，并利用对抗训练改善了这些问题，提高了社会化推荐的效果。此外，以往基于 Policy Gradient 的离散 GAN 在训练时存在 reward 函数设计困难，收敛难等问题，本文利用重参数技巧，对模型进行了 End-to-End 的训练，绕开了 reward 函数，取得了很好的效果。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3201

论文链接

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

@icaruss 推荐

#Response Generation

本文是微软发表于 EMNLP 2019 的工作，这是 SpaceFusion (Jointly optimizing diversity and relevance in neural response generation, NAACL 2019) 的后续之作。SpaceFusion 尝试将对话系统中的 source 和 target 映射到同一隐空间上，从而转换生成对话的问题成为生成隐空间向量的问题。本文（StyleFusion）进一步将额外的风格化文本的特征迁移到生成回复中，从而达到对话个性化和风格化的效果。在若干标准数据集上取得了很好的效果。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3206

源码链接

https://github.com/golsun/StyleFusion

@刘佳玮 推荐

#Graph Neural Networks

本文是圭尔夫大学发表于 NeurIPS 2019 的工作。本文的目标是更好地理解图神经网络（GNN）中节点的注意力，并确定影响其有效性的因素。本文特别关注将注意力 GNN 泛化到更大，更复杂或更嘈杂的图的能力。受图同构网络工作的启发，本文设计了简单的图推理任务，使本文能够在受控环境中研究注意力机制。本文发现在典型条件下，注意力的影响可以忽略甚至是有害的，但在某些条件下，它在一些分类任务中提供超过 60％ 的特殊性能提升。在实践中满足这些条件是具有挑战性的，并且通常需要对注意力机制进行监督训练。本文提出了一种替代方法，并以弱监督的方式训练注意力，以接近监督模型的性能，并且与无监督模型相比，改进了几个合成数据集和真实数据集的结果。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3220

论文链接

https://github.com/bknyaz/graph_attention_pool

@muxin 推荐

#Object Detection

本文是首尔大学和首尔科技大学发表于 ICCV 2019 的工作。作者提出了一种改进的 YOLOv3 模型，对于我们改进模型有很好的启示作用。文章清晰明了，便于理解。

▲ 论文模型：点击查看大图

论文链接

https://www.paperweekly.site/papers/3197

#推 荐 有 礼#

本期所有入选论文的推荐人

均将获得PaperWeekly纪念周边一份

▲ 深度学习主题行李牌/卡套 + 防水贴纸

 礼物领取方式 

推荐人请根据论文详情页底部留言

添加小助手领取礼物

*每位用户仅限领取一次

想要赢取以上周边好礼？

点击阅读原文即刻推荐论文吧！

点击以下标题查看往期推荐： 

•   

•   

•   

•   

•   

•   

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

? 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

? 投稿邮箱：

• 投稿邮箱：hr@paperweekly.site 

• 所有文章配图，请单独在附件中发送 

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

?

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 获取更多论文推荐