①

#機(jī)器學(xué)習(xí)# #遷移學(xué)習(xí)#

《遷移學(xué)習(xí)研究綜述》

推薦理由：

這篇論文是中科院、百度等研究機(jī)構(gòu)發(fā)布的最新的關(guān)于遷移學(xué)習(xí)的綜述。

該論文的貢獻(xiàn)在于完整地梳理了目前已有的遷移學(xué)習(xí)研究，并對遷移學(xué)習(xí)的機(jī)制和策略進(jìn)行了全面的歸納和解讀。文中，作者們從數(shù)據(jù)和模型的角度對40多種具有代表性的遷移學(xué)習(xí)方法進(jìn)行了整理和歸納，并且在Amazon Reviews、Reuters-21578和Office-31這三個數(shù)據(jù)集上進(jìn)行了實驗，來表明在實際應(yīng)用中選擇合適的遷移學(xué)習(xí)模型的重要性。

本文能幫助讀者更好地了解遷移學(xué)習(xí)領(lǐng)域的研究現(xiàn)狀和研究思路，從而能夠幫助開展后續(xù)的相關(guān)研究。

論文鏈接：

https://paper.yanxishe.com/review/4533

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

②

#深度學(xué)習(xí)# #卷積神經(jīng)網(wǎng)絡(luò)#

《ImageNet：深度卷積神經(jīng)網(wǎng)絡(luò)完成圖片分類》

推薦理由：

核心問題：這篇論文是大神Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton三人提出的AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)，摘得了2010年ILSVRC比賽的桂冠。

創(chuàng)新點：這篇論文使用了經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型完成圖像的分類任務(wù)，這個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)一直影響著之后的卷積神經(jīng)網(wǎng)絡(luò)模型。它創(chuàng)造性的使用了relu和局部歸一化等現(xiàn)在經(jīng)典的激活函數(shù)和訓(xùn)練方法，可以說這在很大程度上促進(jìn)了深度學(xué)習(xí)的發(fā)展。

研究意義：ImageNet是計算機(jī)視覺領(lǐng)域最重要的比賽之一，當(dāng)時深度學(xué)習(xí)還沒有現(xiàn)在這般火熱，alexNet做為一個開創(chuàng)者超越眾多經(jīng)典的機(jī)器學(xué)習(xí)算法，開啟了深度學(xué)習(xí)時代。

論文鏈接：

https://paper.yanxishe.com/review/4792

推薦人：feng

③

#計算語言學(xué)# #文本嵌入#

《球形文本嵌入》

推薦理由：

本文是數(shù)據(jù)挖掘領(lǐng)域?qū)＜翼n家煒教授極力推薦的文章，非常值得一讀。

 研究背景：無監(jiān)督文本嵌入在各種NLP任務(wù)中顯示了強大的功能。大量的文本數(shù)據(jù)本身就隱含了大量的隱模式、結(jié)構(gòu)和知識， 盡管通常在歐幾里德空間中學(xué)習(xí)文本嵌入，但是方向相似性在諸如單詞相似性和文檔聚類之類的任務(wù)中通常更有效，這在文本嵌入的訓(xùn)練階段和使用階段之間造成了差距。 

創(chuàng)新點：為了彌補這一差距，作者提出了一種球形生成模型，在該模型的基礎(chǔ)上，可以共同學(xué)習(xí)無監(jiān)督的單詞和段落嵌入。為了學(xué)習(xí)球形空間中的文本嵌入，本文作者開發(fā)了一種基于黎曼優(yōu)化的具有收斂保證的高效優(yōu)化算法。 

研究意義：作者的模型具有很高的效率，并且在包括單詞相似性和文檔聚類在內(nèi)的各種文本嵌入任務(wù)上均具有最先進(jìn)的性能。因此我們可以借助該模型，來探索 如何將海量數(shù)據(jù)從非結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)化為有用的知識。

論文鏈接：

https://paper.yanxishe.com/review/4532

推薦人：Furion

④

#計算語言學(xué)# #信息檢索# 

《社交媒體上的謠言檢測：數(shù)據(jù)集、方法和機(jī)會》

推薦理由：

這篇論文要解決的是社交媒體上的謠言檢測問題。

這是一篇來自于阿里巴巴的綜述論文，對于目前的謠言檢測領(lǐng)域的研究進(jìn)行了一個全面的回顧和總結(jié)，并且列出了之前研究中使用的數(shù)據(jù)集和方法，還指出了未來的一些研究方向。

這篇論文能夠幫助研究人員了解目前的謠言檢測的研究現(xiàn)狀，并且可以根據(jù)這篇論文指出的后續(xù)研究方向進(jìn)一步探索。

論文鏈接：

https://paper.yanxishe.com/review/4911

推薦人：溫蒂?斯普林

⑤

#深度學(xué)習(xí)# #信息檢索# 

 《通過同時聚類和表示學(xué)習(xí)進(jìn)行自我標(biāo)記》

推薦理由：

背景：將聚類和表示學(xué)習(xí)相結(jié)合是深度神經(jīng)網(wǎng)絡(luò)無監(jiān)督學(xué)習(xí)的最有前途的方法之一。但是，這樣做天真會導(dǎo)致退化的解決方案帶來不適的學(xué)習(xí)問題。在本文中，作者提出了一種新穎而有原則的學(xué)習(xí)方法來解決這些問題。通過最大化標(biāo)簽和輸入數(shù)據(jù)索引之間的信息來獲得該方法。作者證明了該標(biāo)準(zhǔn)將標(biāo)準(zhǔn)的交叉熵最小化擴(kuò)展到了最佳的運輸問題，作者可以使用Sinkhorn-Knopp算法的快速變體有效地解決數(shù)百萬個輸入圖像和數(shù)千個標(biāo)簽的問題。所得到的方法能夠?qū)σ曈X數(shù)據(jù)進(jìn)行自我標(biāo)注，從而無需手動標(biāo)注就可以訓(xùn)練競爭激烈的圖像表示形式。

突破點：與該類中以前最好的方法DeepCluster相比，作者的公式使表示學(xué)習(xí)和聚類的單個目標(biāo)函數(shù)最小化。它在標(biāo)準(zhǔn)基準(zhǔn)測試中也大大優(yōu)于DeepCluster，并且可以通過自監(jiān)督學(xué)習(xí)ResNet-50達(dá)到最新水平。

論文鏈接：

https://paper.yanxishe.com/review/4895

推薦人：李?西奧多

???

除了上述的的五篇精選論文推薦，我們還為你精心準(zhǔn)備了可以一鍵下載的論文集：

EMNLP 2019 Workshop論文合集

下載地址：https://paper.yanxishe.comhttp://packages/122

圖神經(jīng)網(wǎng)絡(luò)（GNN）入門必讀論文 270篇

下載地址：https://paper.yanxishe.comhttp://packages/109

最新212篇自動化神經(jīng)網(wǎng)絡(luò)搜索（NAS）論文

下載地址：https://paper.yanxishe.com/http://packages/68

ICCV 2019 | 最新公開的51篇 Oral Paper 合集

下載地址：https://www.yanxishe.com/resourceDetail/1010

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

NeurIPS 2019 GNN 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1006

AAAI （1996-2019）歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/991

想要閱讀更多精彩論文？

點擊閱讀原文跳轉(zhuǎn) paper.yanxishe.com