Paper 研习社本周论文推荐精选 (paper研究生)
Paper 研习社新功能上线啦!
点击链接迅速跳转论文集下载界面:
#计算语言学#
《选择,回答和解释:可解释的对多文档多跳阅读理解模型》
推荐理由 :
具有可解释性的多个文档多跳阅读理解是一个具有挑战性的问题,因为它要求对多个信息源进行推理,并通过提供支持证据来解释模型答案的预测。
在本文中,作者提出了一种有效且可解释的选择、回答和解释(SAE)系统,以解决多文档阅读理解问题。我们的系统首先过滤出与答案无关的文档,从而减少了干扰信息的数量。这是通过训练了一个文档过滤器而实现的,该过滤器通过pairwise排序模型学习。然后将选定的与答案相关的文档输入模型,以共同预测答案和支持的事实语句。在token级别(用于答案预测)和句子级别(用于支撑事实的预测)通过多任务学习目标对模型进行了优化,并且在这两个任务之间使用注意力机制进行交互。我们在具有挑战性的多跳阅读理解数据集HotpotQA上进行评估,与排行榜上的其他现有系统相比,我们提出的SAE系统在实现了顶级竞争性能。
动机:现有的多文档多跳问题的QA方法中存在以下几点问题:1、很少有人关心答案预测的可解释性:挑战是多文档多跳阅读理解问题的支撑证据可能会分散在很长的文档中或者多个文档中。2、几乎很少方法设计一个文档过滤器来去除不相关文档并减少所需要的信息:几乎所有现有的方法都是直接在全部文档拼接或分别单独处理,但是事实上没有考虑到大多数文档和问题是不相关的并不会帮助模型寻找答案。3、尽管有很多方法使用GNN在实体图上进行推理,但这只可能存在于任务中已经预先定义好了一个实体集,否则需要借助NER工具来抽取实体,这会导致用图推理产生冗余和噪声,而且如果答案不是实体,还需要进一步的处理。
做法:为了解决上述问题,本文提出了一种SAE模型来解决多文档多跳阅读理解任务,主要贡献如下:1、设计了一个文档选择模块,该模块基于多头自注意力机制捕获不同文档之间的交互信息,并设计了一个新颖的pair-wise排序损失函数加强模型准确找出gold doc。2、模型能同时预测答案和支撑证据。基于句子表示建立了多跳的推理graph,直接输出支撑证据和答案。3、在GNN抽取句子表达时采用了一种混合注意力pooling的机制,注意力权重是由答案片段的logits和每个token自注意力机制的输出进行......(点击下方链接查看全文)
PS.这篇论文推荐是上周热点榜首,借此机会推荐给各位品读。
论文
推荐人 :IloveNLP(华东师范大学计算机科学与技术系,中国科学院大学 客座学生)
#机器学习# #图像处理#
《用于图像超分辨率的高效剩余稠密块搜索》
推荐理由 :
尽管由于深度卷积神经网络的复兴,单图像超分辨率取得了显着进步,但深度学习方法在实践中尤其是对于移动设备面临着计算和内存消耗的挑战。针对这个问题,本文提出了一种高效的多目标残差密集块搜索算法,用于寻找快速、轻量级、精确的超分辨率图像网络。
1、利用所提出的高效剩余稠密块充分利用特征尺度的变化来加速超分辨网络。该算法自动搜索池和上采样算子的位置。
2、在块积分的引导下演化网络结构,获得精确的超分辨率网络。
实验结果证明了所提出的搜索方法的有效性,发现的高效超分辨率模型的性能优于目前最先进的方法。
论文链接 :
推荐人 :明明知道(碁震 数据工程师)
#人工智能
《用于交互式小说的深度强化学习的算法改进》
推荐理由 :
基于文本的游戏是深度强化学习算法的一个挑战领域。它们的状态和动作空间的组合性很大,它们的奖励函数很稀疏,并且它们只有部分是可观察到的:主体通过文本反馈得知其动作的结果。
在本文中,作者强调了最后这一点,并考虑了设计可以仅从反馈中发挥作用的深度强化学习智能体。作者的设计认可并利用了基于文本的游戏的结构特征。
作者首先提出一种基于累积奖励的情境化机制,该机制简化了学习问题并减轻了部分可观察性。然后,根据Zahavy等人关于允许行为的想法,研究了依赖于大多数动作在任何给定情况下都是无效的这一观念的一些方法。作者在基于TextWorld框架的一系列基于文本的高难度的游戏以及标志性游戏ZORK中对这些技术进行了评估。从经验上,作者发现这些技术提高了应用于基于文本的游戏的基线深度强化学习代理的性能。 在也称为交互式小说(IF)的基于文本的游戏中,智能体通过自然语言界面与其环境进行交互。 动作由简短的文本命令组成,而观察则是描述这些动作结果的段落。 最近,交互式小说已成为AI技术的重要挑战(Atkinson等人2018),这在很大程度上是因为该类型将自然语言与序列决策结合在一起......(点击下方链接查看全文)
论文链接 :
推荐人 :IloveNLP(华东师范大学计算机科学与技术系,中国科学院大学 客座学生)
#图像处理#
《任意姿势下的无人监督图像合成》
推荐理由 :
一 .可以使用GAN模型生成任意姿势下的人的新图像,该模型可以完全不受监督的方式进行训练。迄今为止,这仅是通过监督解决了该问题的最新技术。为了解决这一挑战,作者提出了一个新的框架,该框架通过优化仅依赖于输入图像和渲染图像的损失函数来规避训练数据的需求,旨在保留原始图像的样式和语义内容。 DeepFashion [15]数据集上的定量和定性评估显示了非常有希望的结果,即使对于与输入姿势有很大不同并且需要将图像的大部分幻觉化的新的身体姿势也是如此。将来,作者计划在野外无法监督的其他数据集中(不仅是人类)进一步开发他的方法 。
二 . 主要贡献:(loss funtion的设计)
1. Image Adversarial Loss:即传统 GAN 的 loss; 2. Pose Loss:pose 差异,生成后的图片再用 OpenPose 提取 pose 信息做差值; 3. Identity Loss:此为关键,又分为两部分,分别是 content 和 style loss,其中 content 用于保证生成图和原图在某 pretrain model 生成的 feature map 一致, style 则是利用 Gram matrix 生成某种 feature map,然后作比对。
论文链接 :
推荐人 :hm(香港城市大学 计算机科学)
#计算机视觉# #模式识别#
《基于AU感知注意的E2胶囊神经网络人脸表情识别》
推荐理由 :
这篇论文要解决的是面部表情识别的问题。
传统的胶囊神经网络不能在胶囊间的动态路由过程前有效提取特征。为了解决这个问题,这篇论文提出一个名为E2-Capsnet的双重增强胶囊神经网络。
E2-Capsnet利用胶囊间的动态路由,并有两种增强模块:第一个模块用到了使用动作单元注意力机制的卷积神经网络,用来获取面部的动态区域;第二个模块是多卷积层的胶囊网络模块,用来增强特征表示的能力。在RAF-DB和EmotioNet这两个基准数据集上的实验证明了E2-Capsnet的有效性。这篇论文的研究意义在于拓展了传统的胶囊神经网络,使得其在面部表情识别相关的问题上展现了更多的应用潜力。
论文链接 :
推荐人 :温蒂•斯普林
除了上述的的五篇精选论文推荐,我们还为你精心准备了可以一键下载的论文集:
NeurIPS 2019 1422篇 论文合集
下载地址:
NeurIPS 2019 Oral 36篇
下载地址:
NIPS2019 深度强化学习论文集 61篇
下载地址:
ICCV 2019 | 最新公开的51篇 Oral Paper 合集
下载地址:
EMNLP 2019 | 10篇论文实现代码合集及下载
下载地址:
NeurIPS 2019 GNN 论文合集
下载地址:
AAAI (1996-2019)历年最佳论文合集
下载地址:
快来下载试试吧!
想要阅读更多精彩论文?
点击阅读原文跳转 paper.yanxishe.com
Paper 研习社本周论文推荐精选 | 第十期
Paper 研习社本周论文推荐精选 | 第十一期
Paper 研习社本周论文推荐精选 | 第九期
Paper 研习社本周论文推荐精选 | 第八期
Paper 研习社本周论文推荐精选 | 第七期
Paper 研习社本周论文推荐精选 | 第六期
Paper 研习社本周论文推荐精选 | 第五期
Paper 研习社本周论文推荐精选 | 第四期
Paper 研习社本周论文推荐精选 | 第三期
Paper 研习社本周论文推荐精选 | 第二期
Paper 研习社本周论文推荐精选 | 第一期
原创文章,未经授权禁止转载。详情见 转载须知 。