①

#詞嵌入# #自然語言處理#

詞和短語的分布表示及其構(gòu)成

推薦理由：1.本文所解決的核心問題：skip-gram是word2vec中非常經(jīng)典的一種學習方法，它的核心是通過中心詞來預測上下文，但它存在計算效率慢的問題，其核心在于最終的目標函數(shù)

如圖所示，是它的目標函數(shù)是一個softmax的計算，這個計算量和整個數(shù)據(jù)字典有關(guān)，這就導致了當我們通過中心詞預測周圍詞的時候，每預測一次就要完成整個字典級別的softmax的計算量，這顯然效率低下。本論文通過一些思想轉(zhuǎn)變，巧妙的將目標函數(shù)進行更改，提高了skip-gram的運行效率。

2.本文的創(chuàng)新點：

本論文的核心在于提高skip-gram的運行效率，他提出了幾個方法：

第一個方法：分層Softmax

第二個方法：采用負采樣的目標函數(shù)

第三個方法：常用詞的二次抽樣

3.本文對于該話題的研究意義：

詞嵌入是當今自然語言理解中最核心的領(lǐng)域之一，如何能夠更好更快的學習出詞向量又是詞嵌入的關(guān)鍵點，但是上面的幾個方法都不是skip-gram中獨家用的，有些方法已經(jīng)存在，本文從實際問題出發(fā)，將skip-gram和一些方法結(jié)合，從而解決了最終的問題，這啟示我們從目標問題入手，從而解決問題。

論文鏈接：https://paper.yanxishe.com/review/225?from=leiphonecolumn

項目鏈接：

https://github.com/huanfengAI/Artificial-Intelligence-Practice-pytorch/blob/master/word_embedding/quick_skip_gram.ipynb

推薦人：幻風magic（燕山大學計算機技術(shù)專業(yè)，Paper 研習社特約作者）

②

#深度學習#

聆聽混沌的低語：新聞導向的股票趨勢預測的深度學習框架

推薦理由：本文要解決的問題是如何從各種低質(zhì)量、充滿噪音的新聞和評論中提取有用的信息來提高股票價格預測的表現(xiàn)。

為了解決這個挑戰(zhàn)，這篇論文試圖模擬人類面對混亂的在線新聞的學習過程的三個原則：順序內(nèi)容依賴，多元影響，有效和高效的學習。這篇論文設計了一個混合注意力網(wǎng)絡來根據(jù)最近相關(guān)新聞的順序來預測股票走勢（符合前兩個原則）。然后還運用自學的學習機制來選擇不同訓練階段使用的訓練樣本數(shù)（符合第三個原則）。

這篇論文貢獻了一個目前基于新聞的股票價格預測的基準方法HAN(Hybrid Attention Networks)，之后的研究基本都會跟這篇論文中的模型進行比較。

論文鏈接：https://paper.yanxishe.com/review/229?from=leiphonecolumn

項目鏈接：https://github.com/gkeng/Listening-to-Chaotic-Whishpers--Code

推薦人：琴??？思{（清華大學信息與通信工程專業(yè)，Paper 研習社特約作者）

③

#目標檢測# #深度學習#

使用偽標簽的半監(jiān)督視頻顯著目標檢測

推薦理由：基于深度學習的視頻聚焦區(qū)域檢測已經(jīng)超過了大量無監(jiān)督方法。但是這種方法依賴于大量手動標記的數(shù)據(jù)。

在本文中，作者使用偽標簽來解決半監(jiān)督視頻焦點區(qū)域檢測問題。

具體地，本文提出了一種視頻聚焦區(qū)域檢測器，其包括空間信息改善網(wǎng)絡和時空模塊。

基于這樣的結(jié)構(gòu)和光流，提出了一種從稀疏標記的幀生成像素級偽標簽的方法。使用生成的偽標簽和部分手動注釋，探測器學習了時空對比度和幀間一致性的線索，從而產(chǎn)生準確的聚焦區(qū)域。

實驗表明，該方法大大超過了跨多個數(shù)據(jù)集的現(xiàn)有完全監(jiān)督方法。

論文鏈接：https://paper.yanxishe.com/review/233?from=leiphonecolumn

推薦人：望北（重慶郵電大學計算機科學與技術(shù)專業(yè)）

④

#多模態(tài)數(shù)據(jù)##推薦系統(tǒng)#

一種從多模態(tài)數(shù)據(jù)中提取信息特征的有效方法

推薦理由：Hirschfeld-Gebelein-Rényi（HGR）最大相關(guān)性是從多模態(tài)數(shù)據(jù)中提取特征的重要指標。然而，在HGR最大相關(guān)性中形式化的嚴格白化約束限制了其應用。

這篇文章提出了Soft-HGR，該框架可防止HGR最大相關(guān)性的嚴格白化約束，同時還保留與HGR最大相關(guān)性相同的特征幾何。同時這篇文章提出的指標只涉及兩個內(nèi)積，保證了優(yōu)化的效率和穩(wěn)定性。

該模型還可以進一步擴展到處理兩種以上模態(tài)數(shù)據(jù)和多模態(tài)數(shù)據(jù)中模態(tài)缺失的情形。

論文鏈接：https://paper.yanxishe.com/review/490?from=leiphonecolumn

推薦人：feima0969（清華大學數(shù)據(jù)科學，Paper 研習社特約作者）

⑤

#圖神經(jīng)網(wǎng)絡# 

PNUNet：異常檢測使用正 - 和負噪聲基于  自我訓練過程

推薦理由：我們提出了在圖像異常檢測的新框架。我們新的框架，PNUNet，是基于許多正常的數(shù)據(jù)和一些異常數(shù)據(jù)。我們假設一些噪聲被添加到輸入圖像，學會刪除噪聲。此外，所提出的方法實現(xiàn)顯著的性能改進通過使用自訓練更新所述輸入假設噪聲框架。為基準數(shù)據(jù)集上的實驗結(jié)果表明，我們新的異常檢測框架的有效性。

論文鏈接：https://paper.yanxishe.com/review/673?from=leiphonecolumn

推薦人：摩頓?喬丹

???

除了上述的的五篇精選論文推薦，我們還為你精心準備了可以一鍵下載的論文集：

ICCV 2019 Accepted Paper Full List

下載地址：https://www.yanxishe.com/resourceDetail/1017?from=leiphonecolumn

ICLR 2019 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1026?from=leiphonecolumn

ACL 歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1009?from=leiphonecolumn

ICCV 2019 | 最新公開的51篇 Oral Paper 合集

下載地址：https://www.yanxishe.com/resourceDetail/1010?from=leiphonecolumn

EMNLP 2019 | 10篇論文實現(xiàn)代碼合集及下載

下載地址：https://www.yanxishe.com/resourceDetail/1013?from=leiphonecolumn

NeurIPS 2019 GNN 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1006?from=leiphonecolumn

AAAI （1996-2019）歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/991?from=leiphonecolumn

快來下載試試吧！

想要閱讀更多精彩論文？

點擊閱讀原文跳轉(zhuǎn) https://paper.yanxishe.com?from=leiphonecolumn

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)