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 5 篇文章[ 自然语言处理 ]
@paperweekly 推荐
#Attention Model
本文对 attention 进行了详细研究,对比了 NMT 中的 alignment,给出了很多有意思的结论。
@lukepan 推荐
#Chatbot
该论⽂所引⼊的知识是以 tuple 的形式储存在 KB 中的。 knowledge 的引⼊⽅式如下:Candidate Facts Retriever 从 input 中提取 entity,然后在 KB 中进⾏ query,将通过 relation 寻找到的 objects 和 subjects 作为 Candidate Facts 存储为⼀个集合。
在 Reply Decoding 流程中,为了决定该使⽤哪些 facts,提出了 dynamic knowledge enquirer,⽤以根 据 local contexts at various positions within a response 来 rank 并选择集合中哪些 facts 应该被使⽤。
Program Induction by Rationale Generation : Learning to Solve and Explain Algebraic Word Problems
@RamonYeung 推荐
#Question Answering
DeepMind 和牛津大学共同打造的代数问题数据集 AQuA(AQuA = Algebra Question Answering)。
@corenel 推荐
#Object Detection
新出的一篇视频内目标检测的文章,在逐帧的 RoI Pooling 上增加了帧间的 RoI Tracking(regresses box transformations (translation, scale, aspect ratio) across frames),结构简单,精度不错,通过调间隔时间可以调整处理速度。
@starif 推荐
#Face Synthesis
此文尝试用 facial landmarks 通过 GAN 来合成人脸。除了 Adversarial loss,文章使用了 perceptual loss、L1 reconstruction error,特别还设计了 gender preserving loss。
性别具有确定性、二元性,是人脸的一个很特别的属性,也是对机器学习来说一个易用的信息,如何利用这一属性来提高人脸的合成效果,文章或许可以给你一个很好的启发。
@993917172 推荐
#Face Reenactment
2017 年,生成对抗网络 GAN 广泛应用在超分辨率复原 SR 等领域,并取得巨大发展。但是,GAN 的变体 WGAN,CGAN 等方法仍然较少的应用于 SR 上。
本文把超分辨率复原思想和 WGAN 结合起来,思路和上面的 SRGAN 有点类似。与之不同,它是用于解决人脸图像分辨率不足的问题。该方法不仅采用基础 GAN(2014)作为基本网络框架,还将 WGAN 作为提升 GAN 网络学习能力的重要工具。
总的来说,该方法使用卷积神经网络进行图像复原,简单高效,结合 GAN 网络,只要较少的训练样本就可以让生成图像非常逼真,广大学者可以尝试在更多图像对监控场景下应用人脸图像的思路,发挥生成对抗网络的威力。
[ 机器学习 ]
@机器之心 推荐
#CTC
减少模型半数内存用量:百度 & 英伟达提出混合精度训练法。
@Nevertiree 推荐
#Deep Reinforcement Learning
深度强化学习的最新综述,发表于 2017 下半年。本文是 Reddit 推荐的热文。
@paperweekly 推荐
#Molecular Machine Learning
一个分子机器学习 benchmark,最喜欢看到这种将机器学习应用到传统学科领域了。
本文由 AI 学术社区 PaperWeekly 精选推荐,社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向,点击「阅读原文」即刻加入社区!
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 | 查看更多优质论文