2019-07-15

【1】2019-07-12 Learning Self-Correctable Policies and Value Functions from Demonstrations with Negative Sampling

作者来自：普林斯顿大学、伯克利、斯坦福大学

待解决的问题：

解决方法：

1) 基本思路：

2)可自我修正的策略

3) 整体算法如下：

【2】2019-07-12 Generative Modeling by Estimating Gradients of the Data Distribution

作者来自：斯坦福大学

待解决的问题：

解决方法：

1) 基本思路：

2) 提出退火朗之万动力学采样（Annealed Langevin dynamics sampling）：

【3】2019-07-12 R-Transformer: Recurrent Neural Network Enhanced Transformer

作者来自：密歇根州立大学

待解决的问题：

解决方法：

1) 整体结构图：

2) 局部RNN：

【4】2019-07-06 Generating Sentences from Disentangled Syntactic and Semantic Spaces

作者来自：南京大学、今日头条、滑铁卢大学

待解决的问题：

解决方法：

1) 整体架构图：

其中，

2) 线性化的表征：

【5】2019-07-12 DisCoRL: Continual Reinforcement Learning via Policy Distillation

作者来自：巴黎高科国立高等先进技术学院

待解决的问题：

解决方法：

1) 整体结构图：

【6】2019-07-12 Virtual Adversarial Lipschitz Regularization

作者来自：Robert Bosch Kft （匈牙利的一家公司，单位一般，主要是看研究的方向）

待解决的问题：

解决方法：

1) 基本思路，以及相应的公式：

【7】2019-07-12 Gated-SCNN: Gated Shape CNNs for Semantic Segmentation

作者来自：英伟达、滑铁卢大学、多伦多大学

待解决的问题：

解决方法：

1) 整体架构图如下：

2) 门卷积层（Gated Convolutional Layer，GCL）

【8】2019-07-12 Solving Hard Coreference Problems

作者来自：伊利诺伊大学

待解决的问题：

解决方法：

1) 首先，作者定义了两类预测模式：

其中，样例1.2、2.2如下：

2) 选择Integer Linear Programming (ILP) 作为指代消解的处理架构：

其中，预测模式的限定如下：