0
| 本文作者： AI研習(xí)社 | 2020-02-25 11:20 |
利用圖注意力網(wǎng)絡(luò)在單細胞數(shù)據(jù)集上預(yù)測疾病狀態(tài)
無語預(yù)訓(xùn)練的網(wǎng)絡(luò)剪枝技術(shù)
用于深度立體匹配的自適應(yīng)單峰匹配代價體濾波
基于運動自適應(yīng)反饋單元的視頻人臉超分辨率
為新聞報道制作有代表性的標(biāo)題
論文名稱：Disease State Prediction From Single-Cell Data Using Graph Attention Networks
作者：Neal G. Ravindra /Arijit Sehanobish /Jenna L. Pappalardo /David A. Hafler /David van Dijk
發(fā)表時間：2020/02/14
論文鏈接：https://paper.yanxishe.com/review/11807?from=leiphonecolumn_paperreview0225
推薦原因
核心問題: 本文解決的是在單細胞RNA序列數(shù)據(jù)集上進行多發(fā)硬化癥(MS)預(yù)測的問題。此前，單細胞RNA序列從來未用來疾病的預(yù)測和診斷。同時，多發(fā)硬化癥(MS)的診斷也十分困難。創(chuàng)新點: 圖注意網(wǎng)絡(luò)(GAT)可以很好的提取原始特征信息以及圖結(jié)構(gòu)信息，本文就使用的是圖注意力網(wǎng)絡(luò)(GAT)，主要深度提取到了對于疾病預(yù)測很重要的特征(如細胞類型和基因特征)，并把這些特征加入到了現(xiàn)有多發(fā)硬化癥的知識體系。同時，還利用此模型進行了細胞新特征空間的推斷，而這些特征重點體現(xiàn)了不同疾病狀態(tài)之間的區(qū)別。最后，作者還利用注意力權(quán)重學(xué)習(xí)到了一種新的低維嵌入表示，提取出了重要基因特征，并可視化了學(xué)習(xí)出的的圖表示。研究意義: 該模型結(jié)果超過了圖卷積網(wǎng)絡(luò)，隨機森林和多層感知機這幾種傳統(tǒng)機器學(xué)習(xí)方法，是第一個將深度學(xué)習(xí)方法在單細胞數(shù)據(jù)集上預(yù)測疾病的模型。
論文名稱：Pruning from Scratch
作者：Yulong Wang /Xiaolu Zhang /Lingxi Xie /Jun Zhou
發(fā)表時間：2019/9/27
論文鏈接：https://paper.yanxishe.com/review/11951?from=leiphonecolumn_paperreview0225
推薦原因
核心問題：深度學(xué)習(xí)之所以有效，一個很大的原因就是它的擬合能力很強，雖然這是它的優(yōu)勢，但是也會帶來一些問題，一個主要的問題就是模型過大往往需要大量的數(shù)據(jù)，而且訓(xùn)練速度慢，所以減少模型大小和運行延時也成為逐漸關(guān)注的需求，這對于部署于邊緣移動端設(shè)備有實際應(yīng)用價值。
創(chuàng)新點：該論文證實了一個有效的剪枝結(jié)構(gòu)無需從預(yù)訓(xùn)練權(quán)重得到，預(yù)訓(xùn)練權(quán)重得到的剪枝結(jié)構(gòu)往往是同質(zhì)缺乏多樣性的，這很有可能限制了更好性能結(jié)構(gòu)的探索。他們發(fā)現(xiàn)直接從隨機初始化權(quán)重即可以剪枝得到更多樣且最終性能更好的剪枝結(jié)構(gòu)。
研究意義：這不僅極大的加速了模型剪枝流程，減少費時繁重的訓(xùn)練過程，同時也為模型剪枝領(lǐng)域提供了一個強有力的基準(zhǔn)結(jié)果。在CIFAR10上壓縮分類模型的實驗，方法不僅大大減少了傳統(tǒng)剪枝方法的預(yù)訓(xùn)練負擔(dān)，而且在相同的計算預(yù)算下，達到了相似甚至更高的精度。
論文名稱：Adaptive Unimodal Cost Volume Filtering for Deep Stereo Matching
作者：Zhang Youmin /Chen Yimin /Bai Xiao /Yu Suihanjin /Yu Kun /Li Zhiwei /Yang Kuiyuan
發(fā)表時間：2019/9/9
論文鏈接：https://paper.yanxishe.com/review/11811?from=leiphonecolumn_paperreview0225
推薦原因
論文提出給匹配代價體（cost volume）添加自適應(yīng)單峰分布的真值信息來監(jiān)督，從而提升立體視差估計的準(zhǔn)確率。本文的創(chuàng)新點比較新穎，關(guān)注的是以往被忽略的匹配代價體的監(jiān)督問題，從理論上得出匹配代價體的分布是單峰分布。作者所提出的CENet和stereo focal loss也直觀而有效。行文寫作簡潔明了，值得學(xué)習(xí)。立體匹配方法最大的難點是缺少泛化性能，本文對匹配代價體的概率分布施加約束，能夠作為輔助的監(jiān)督信息，適用于多種基于匹配代價體的立體匹配方法。
論文名稱：Video Face Super-Resolution with Motion-Adaptive Feedback Cell
作者：Xin Jingwei /Wang Nannan /Li Jie /Gao Xinbo /Li Zhifeng
發(fā)表時間：2020/2/15
論文鏈接：https://paper.yanxishe.com/review/11810?from=leiphonecolumn_paperreview0225
推薦原因
這篇論文考慮的是視頻超分辨率的問題。
目前的CNN方法通常將這個問題視為大量單獨的多幀超分辨率任務(wù)，即一批低分辨率幀用于生成單個高分辨率幀。然而由于幀與幀之間的復(fù)雜時間依賴性，隨著低分辨率輸入幀數(shù)量增加，重構(gòu)的高分辨率幀性能會變差。這篇論文提出了一種運動自適應(yīng)反饋單元（Motion-Adaptive Feedback Cell，MAFC），可以有效捕獲運動補償并將其以自適應(yīng)方式反饋到網(wǎng)絡(luò)。這種方法有效利用了幀間運動的信息，可以避免網(wǎng)絡(luò)對運動估計和補償方法的依賴。此外，得益于運動自適應(yīng)反饋單元的出色特性，在極端復(fù)雜的運動場景下，新提出的方法可以實現(xiàn)更好的性能。
論文名稱：Generating Representative Headlines for News Stories
作者：Xiaotao Gu / Yuning Mao /Jiawei Han /Jialu Liu / Hongkun Yu /You Wu
發(fā)表時間：2020/2/1
論文鏈接：https://paper.yanxishe.com/review/11809?from=leiphonecolumn_paperreview0225
推薦原因
核心問題：每天互聯(lián)網(wǎng)上產(chǎn)生大量的文章，如何產(chǎn)生一個有效的標(biāo)題成為一個關(guān)鍵問題。
創(chuàng)新點：本論文開發(fā)了一種遠程監(jiān)控方法，訓(xùn)練了一個大規(guī)模的生成模型。首先，論文提出了一個多層次的培訓(xùn)框架，它包含了大量未標(biāo)記的語料第二，基于關(guān)注層提取多篇文章的信息。同時本論文還提出了一個大規(guī)模的數(shù)據(jù)集。
研究意義：再很大程度上，通過這種方式生成的標(biāo)題是非常優(yōu)秀的。
為了更好地服務(wù)廣大 AI 青年，AI 研習(xí)社正式推出全新「論文」版塊，希望以論文作為聚合 AI 學(xué)生青年的「興趣點」，通過論文整理推薦、點評解讀、代碼復(fù)現(xiàn)。致力成為國內(nèi)外前沿研究成果學(xué)習(xí)討論和發(fā)表的聚集地，也讓優(yōu)秀科研得到更為廣泛的傳播和認(rèn)可。
我們希望熱愛學(xué)術(shù)的你，可以加入我們的論文作者團隊。
加入論文作者團隊你可以獲得
1.署著你名字的文章，將你打造成最耀眼的學(xué)術(shù)明星
2.豐厚的稿酬
3.AI 名企內(nèi)推、大會門票福利、獨家周邊紀(jì)念品等等等。
加入論文作者團隊你需要：
1.將你喜歡的論文推薦給廣大的研習(xí)社社友
2.撰寫論文解讀
如果你已經(jīng)準(zhǔn)備好加入 AI 研習(xí)社的論文兼職作者團隊，可以添加運營小姐姐的微信，備注“論文兼職作者”
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
相關(guān)文章：
今日 Paper | ACEnet上下文編碼網(wǎng)絡(luò)；卷積網(wǎng)絡(luò)生物系統(tǒng)；欺詐檢測；DialogueGCN等
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
