每日论文 | 针对移动设备的实时目标检测算法；NLP中有关注意力机制的成果总结；用深度Q学习网络成功骗过神经网络

1

YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers

这篇论文提出了一种实时目标检测模型YOLO-LITE，是针对没有GPU的移动设备设计的，例如手机或笔记本电脑。模型首先在PASCAL VOC数据集上训练，之后在COCO数据集上训练，mAP分数分别达到33.81%和12.26%。它的速度是目前最快模型的3.8倍。基于原始目标检测算法YOLO v2，YOLO-LITE的目的就是创造更小、更快、更高效的模型，提高实时目标检测的效率。

地址：https://arxiv.org/abs/1811.05588

2

An Introductory Survey on Attention Mechanisms in NLP Problems

从人类知觉中应用到机器学习中的注意力机制是可以用于编码序列数据的方法，在NLP领域应用广泛，包括情感分类、文本总结、问题回答、依存句法分析等等。在这篇论文中，我们研究了最近有关注意力机制的所有工作并进行了总结。

地址：https://arxiv.org/abs/1811.05544

3

Deep Q learning for fooling neural networks

深度学习对外部攻击是很脆弱的。在这篇论文中，我们提出了一种基于强化学习的方法，能针对预训练模型生成对抗样本。我们训练了一个深度Q网络智能体，它经过训练后，能学习攻击一小部分图片像素，生成对抗图像。最终模型在MNIST、CIFAR10上的结果表示，我们的强化学习框架可以学到有效的攻击策略。

地址：https://arxiv.org/abs/1811.05521