提升效率必备，9 篇论文帮你积累知识点 | PaperDaily #06

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  6 篇文章

[ 自然语言处理 ]

Multi-Task Learning for Speaker-Role Adaptation in Neural Conversation Models

@paperweekly 推荐

#Seq2Seq

多任务学习是个非常流行的研究方法，本文针对对话生成任务，给出了一种 seq2seq+autoencoder 的多任务学习方案，取得了一定的效果。

论文链接

http://www.paperweekly.site/papers/988

Supervised Speech Separation Based on Deep Learning - An Overview

@Synced 推荐

#Supervised Learning

近年来，基于深度学习的监督语音分离发展很快。本文作者对今年相关研究进行概述，介绍了语音分离的背景、监督语音分离的形成和组成部分，从历史的角度叙述了监督语音分离的技术发展过程。本文对监督语音分离的概述还包括分离算法和泛化等问题。

论文链接

http://www.paperweekly.site/papers/992

Multi-Task Label Embedding for Text Classification

@jerryshi 推荐

#Text Classification

本文不同于以为文本分类中对待标签或类别的方法，传统方式是对标签进行 one-hot 编码，而该文章的思路是对标签也进行语义表示，从而在标签间获得丰富的信息，以提高最终任务的效果。

论文链接

http://www.paperweekly.site/papers/990

[ 计算机视觉 ]

VisDA: The Visual Domain Adaptation Challenge

@corenel 推荐

#Domain Adaptation

domain adaption 领域的一个新的数据集，数据是从仿真到实物的，有分类任务与分割任务两个部分，比较贴近实际项目，值得在发新文章的时候作为实验之一。

论文链接

http://www.paperweekly.site/papers/959

Interpreting CNN knowledge via an Explanatory Graph

@AkiyamaYukari 推荐

#Knowledge Representation

通过一个图模型来学习/可视化已经训练好的卷积神经网络中的每一层（中层比较有价值）的每个滤窗（fliter）所学习到的图像特征，在可解释 AI 方面的新的一步。 是作者下一篇文章的铺垫。

论文链接

http://www.paperweekly.site/papers/966

ReLayNet: Retinal Layer and Fluid Segmentation of Macular Optical Coherence Tomography using Fully Convolutional Network

@atomwh 推荐

#Medical Image Analysis

本文提出了一种新的深度学习网络结构 ReLayNet，用于正常人和 DME 患者的 OCT 图像层次分割。ReLayNet 借鉴 U-Net 的思想，分为下采样和上采样两个步骤，在训练过程中同时使用了交叉熵和 Dice overlap loss 函数进行优化。

实验结果与 5 个 state-of-the-art 的分割方法进行比较，该方法具有更好的表现。而且该文章使用的是公开的数据集，值得做为实现对比的论文。

论文链接

http://www.paperweekly.site/papers/986

[ 机器学习 ]

Learning Social Image Embedding with Deep Multimodal Attention Networks

@zhkun 推荐

#Multimodal

文章提出了一种新的学习 social image embedding 的方法，针对以前的基于网络结构和基于内容的方法，文中的方法可以同时对关系和内容进行学习，是一种 multimodal 的方法，将图像和文字联合起来考虑，从而可以更加精准的理解图像的 embedding，而且文章条理清晰，写作上也很值得学习。

论文链接

http://www.paperweekly.site/papers/989

A Geometric View of Optimal Transportation and Generative Model

@JadeLi 推荐

#Deep Reinforcement Learning

从使用变分法求解凸几何中亚历山大问题这个视角出发，讨论了最优传输定理与解凸几何问题的联系，从而给了生成式模型一个几何视角来解释与研究。文章将 GAN（主要是基于 WGAN）的训练过程，等效为求最优传输路径，并由此解释了 GAN 很多性能问题。 

特别地，文章提出 Wasserstein GAN 中生成器和识别器的竞争理论上不需要，即交替训练没有起作用。并做实验自己的几何方法在 Multiple cluster 时对分布的度量优于 WGAN。 

个人觉得本文关于 GAN 的类比过于严厉，但是无论如何，这篇文章对于 GAN 的视角值得关注。鉴于 GAN 一直囿于纳什均衡解的存在性、算法收敛性，以及机器学习本身的黑箱问题，本文从理论角度体现出来的 GAN 的问题也亟待进一步探索。

论文链接

http://www.paperweekly.site/papers/934

A systematic study of the class imbalance problem in convolutional neural networks

@paperweekly 推荐

#CNN

图像分类问题中多个分类下样本不均衡问题对于 CNN 模型的影响研究。

论文链接

http://www.paperweekly.site/papers/955

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！

       

                           游戏时间

 GAN 还是不 GAN？

GAN主题论文共读小组

论文提名√在线投票√论文共读√

活动形式：语音直播 + 协同批注

 

 游戏规则 

1. 自由推荐任何与GAN有关的论文

2. 投票支持你想读的论文

3. 每周六根据投票结果选出本期论文

 

长按识别二维码，马上报名

*添加好友请注明“GAN”

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