7日 Paper丨2020神經架構搜索最新綜述；sql生成模型；深度樹結構；聯合學習等

本文作者： AI研習社

2020-06-12 17:52

導語：AI研習社論文板塊，專業(yè)的論文推薦和論文合集下載！

7日 Paper丨2020神經架構搜索最新綜述；sql生成模型；深度樹結構；聯合學習等目錄

一種用于sql生成模型的數據匿名化編碼方法

Drain：一種基于固定深度樹結構的在線日志解析方法

可變形核

從草圖中深度生成人臉圖像

聯合學習知識圖譜中可解釋性的規(guī)則進行推薦

神經體系結構搜索的全面調查：挑戰(zhàn)與解決方案

一種用于sql生成模型的數據匿名化編碼方法

論文名稱：Data-Anonymous Encoding for Text-to-SQL Generation

作者：Zhen Dong1 , Shizhao Sun , Hongzhi Liu , Jian-Guang Lou ,Dongmei Zhang

發(fā)表時間：2019/11/7

論文鏈接：https://www.aclweb.org/anthology/D19-1543.pdf

推薦原因

1、為了優(yōu)化從文本中生成機器語言(此處是sql語句)的效率，作者提出了一種基于序列標注的兩階段模型對文本進行匿名化(anonymous encoding)的預處理，減少了文本的長度，并且提取了文本的詞與數據表之間的語義關系.為了更高效地進行訓練，作者采用了數據集的一小部分進行人工標注，以此訓練出的模型來初始化最終的模型，對于其他的數據，作者僅從sql中抽取出無序的colname, cell等數據，并提出了一種基于獎勵機制的隱監(jiān)督(implicit supervision)學習方法來進行訓練。此外，作者還提及了一種基于變分推斷思路的訓練方法，意圖將文本匿名化模型與用于生成sql的語義解析模型聯合訓練來提供模型的效率

2 、作者提出的匿名化方法無論從效率還是從準確度的角度，相比之前的方法都得到了很大的提高

3 、序列標注，尤其是與bert相結合的序列標注，是一種直觀且有效的訓練模型，需要大量標注良好的數據是其一大軟肋，作者提出的隱監(jiān)督訓練方案的思路很值得一讀

Drain：一種基于固定深度樹結構的在線日志解析方法

論文名稱：Drain: An Online Log Parsing Approach with Fixed Depth Tree

作者：Pinjia He , Jieming Zhu , Zibin Zheng , and Michael R. Lyu

發(fā)表時間：2017/6/30

論文鏈接：http://www.cse.cuhk.edu.hk/lyu/_media/conference/pjhe_icws17.pdf?id=publications%3Aconference2&cache=cache

推薦原因

1、本文提出了一種高效的樹結構來在線解析日志數據，將日志解析工作拆解為5個步驟，即根據具體的業(yè)務場景對日志進行簡單的預處理、根據日志長度來搜索日志事件、根據日志第一個詞來搜索日志事件、根據句子相似度來搜索日志事件，匹配日志事件或者更新日志事件，與大多數樹結構的方法一樣，作者也設計了一些剪枝的方法

2、作者提出的方法十分直觀，并且靈活，與其說是一種日志分析算法，更多的是一種基于樹結構的日志分析思路，一些其他基于樹結構的日志處理方法亦可以很方便的整合到作者的模型中

7日 Paper丨2020神經架構搜索最新綜述；sql生成模型；深度樹結構；聯合學習等

可變形核

論文名稱：Deformable Kernels: Adapting Effiective receptive fields for Object Deformation

作者：Hang Gao, Xizhou Zhu, Steve Lin, Jifeng Dai

發(fā)表時間：2020/2/12

論文鏈接：https://arxiv.org/abs/1910.02940v2

推薦原因

在可變形卷積思想之后，提出可變形核，來適應對象形變的感受野。其核心為重新采樣原始內核空間來回復對象的形變能力。

從草圖中深度生成人臉圖像

論文名稱：Deep Generation of Face Images from Sketches

作者：Chen Shu-Yu,Su Wanchao,Gao Lin,Xia Shihong,Fu Hongbo

發(fā)表時間：2020/6/1

論文鏈接：https://arxiv.org/abs/2006.01047v2

推薦原因

這篇論文被SIGGRAPH 2020接收，考慮的是從草圖中快速生成人臉圖像的問題。</span></p><p>現有的圖像到圖像轉換技術可以實現這個功能，但是往往需要專業(yè)的草圖甚至邊緣圖作為輸入。這篇論文提出隱式模擬可信人臉圖像的形狀空間，并在這個空間中合成人臉圖像，以接近輸入草圖。這篇論文采取的是局部到全局的方法，首先學習關鍵人臉組件的特征嵌入，并將輸入草圖的相應部分表示為由人臉組件樣本的特征向量定義的底層分量。由于將輸入的草圖作為軟約束，即使從粗糙或不完整的草圖中也能生成高質量的人臉圖像。這篇論文通過定性和定量的評估表明新方法要比現有的技術具有更強的生成能力和可用性。

目前這篇論文給出了項目主頁的鏈接：http://geometrylearning.com/DeepFaceDrawing/，之后也會放出代碼。

7日 Paper丨2020神經架構搜索最新綜述；sql生成模型；深度樹結構；聯合學習等

聯合學習知識圖譜中可解釋性的規(guī)則進行推薦

論文名稱：Jointly Learning Explainable Rules for Recommendation with Knowledge Graph

作者：Weizhi Ma, Min Zhang, Yue Cao, Woojeong, Jin, Chenyang Wang, Yiqun Liu, Shaoping Ma, Xiang Ren

發(fā)表時間：2019/3/9

論文鏈接：https://arxiv.org/abs/1903.03714v1

推薦原因

作者定義了這樣一個問題，給定用戶、物品、用戶-物品交互信息、物品之間的聯系信息、以及知識庫，同時學習物品之間聯系的規(guī)則與如何向用戶推薦物品。以此問題為框架，作者利用亞馬遜公開的用戶購買行為數據作為推薦系統(tǒng)數據集，將FreeBase作為知識庫，以幾種當時非常優(yōu)秀的推薦系統(tǒng)模型作為基準，分別進行了規(guī)則抽取、物品推薦、和聯合學習等多種不同條件下的實驗，不僅大幅度提升了推薦系統(tǒng)的表現分數，并且從可解釋性的角度分析了分數較高的規(guī)則對于物品推薦的作用

作者將知識圖譜中的規(guī)則引入到推薦系統(tǒng)中時，不僅考慮了引入物品本身的語義信息，并且將規(guī)則與推薦系統(tǒng)聯合學習，來進一步得到規(guī)則與目標關聯性更強的交互信息，從結果上來看，這種思路是有效的。