今日 Paper | 虛假新聞檢測；馬爾可夫決策過程；場景文本識別；博弈論框架等

本文作者： AI研習(xí)社

2020-01-03 15:24

導(dǎo)語：?為了幫助各位學(xué)術(shù)青年更好地學(xué)習(xí)前沿研究成果和技術(shù)，AI科技評論聯(lián)合Paper 研習(xí)社（paper.yanxishe.com），重磅推出【今日 Paper】欄目

為了幫助各位學(xué)術(shù)青年更好地學(xué)習(xí)前沿研究成果和技術(shù)，AI科技評論聯(lián)合Paper 研習(xí)社（paper.yanxishe.com），重磅推出【今日 Paper】欄目，每天都為你精選關(guān)于人工智能的前沿學(xué)術(shù)論文供你學(xué)習(xí)參考。以下是今日的精選內(nèi)容——

Weak Supervision for Fake News Detection via Reinforcement Learning
Unsupervised Detection of Sub-events in Large Scale Disasters
Quantum Logic Gate Synthesis as a Markov Decision Process
Deep neural network models for computational histopathology: A survey
Recognizing Instagram Filtered Images with Feature De-stylization
TextScanner: Reading Characters in Order for Robust Scene Text Recognition
Ordered Reliability Bits Guessing Random Additive Noise Decoding
Publishing computational research -- A review of infrastructures for reproducible and transparent scholarly communication
Let's Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds

基于強(qiáng)化學(xué)習(xí)的虛假新聞檢測弱監(jiān)督

論文名稱：Weak Supervision for Fake News Detection via Reinforcement Learning

作者：Wang Yaqing /Yang Weifeng /Ma Fenglong /Xu Jin /Zhong Bin /Deng Qiang /Gao Jing

發(fā)表時間：2019/12/28

論文鏈接：https://paper.yanxishe.com/review/7954

推薦理由：這篇論文被AAAI 2020接收，考慮的是虛假新聞檢測的問題。

通過社交媒體平臺，虛假新聞可以以前所未有的速度進(jìn)行傳播。最近基于深度學(xué)習(xí)的方法在虛假新聞檢測任務(wù)中取得了令人欣喜的性能表現(xiàn)，但是訓(xùn)練此類模型需要大量標(biāo)注數(shù)據(jù)，同時由于新聞的動態(tài)性質(zhì)，帶標(biāo)注的樣本可能會很快過時，無法代表新出現(xiàn)事件的新聞報道。因此如何獲得新鮮且高質(zhì)量的標(biāo)注樣本是將深度學(xué)習(xí)模型用于虛假新聞檢測的主要挑戰(zhàn)。為了解決這個問題，這篇論文提出了一個基于強(qiáng)化學(xué)習(xí)的弱監(jiān)督虛假新聞檢測算法WeFEND，該框架利用用戶報告作為弱監(jiān)督數(shù)據(jù)，從而擴(kuò)大了訓(xùn)練數(shù)據(jù)的規(guī)模。WeFEND主要由標(biāo)注模塊，強(qiáng)化選擇模塊和虛假新聞檢測模塊構(gòu)成。其中標(biāo)注模塊可以根據(jù)用戶的報告為未標(biāo)注的新聞自動分配弱標(biāo)簽，基于強(qiáng)化學(xué)習(xí)的強(qiáng)化選擇模塊從弱標(biāo)注數(shù)據(jù)中選擇高質(zhì)量的樣本，并過濾掉那些可能降低檢測器預(yù)測性能的低質(zhì)量樣本，虛假新聞檢測模塊則專注于根據(jù)新聞內(nèi)容識別假新聞。文章在微信官方賬戶發(fā)布的大量新聞文章和相關(guān)的用戶報告上測試了其提出的WeFEND，實(shí)驗(yàn)結(jié)果表明，與最新的方法相比，WeFEND模型具有最佳的性能表現(xiàn)。

今日 Paper | 虛假新聞檢測；馬爾可夫決策過程；場景文本識別；博弈論框架等

大規(guī)模災(zāi)害中子事件的無監(jiān)督檢測

論文名稱：Unsupervised Detection of Sub-events in Large Scale Disasters

作者：Arachie Chidubem /Gaur Manas /Anzaroot Sam /Groves William /Zhang Ke /Jaimes Alejandro

發(fā)表時間：2019/12/13

論文鏈接：https://paper.yanxishe.com/review/7955

推薦理由：在自然災(zāi)害（例如颶風(fēng)，大型火災(zāi)）發(fā)生期間及之后，社交媒體往往扮演重要角色，因?yàn)槿藗冊谏缃幻襟w上提供了有關(guān)實(shí)情的有用信息。給定大量的用戶發(fā)帖，難點(diǎn)是如何從中得到可靠而重要的信息，以便急救人員可以及時計(jì)劃和部署資源。這篇論文要解決的正是自動識別重要子事件的問題（這些子事件存在于大規(guī)模緊急事件中，例如颶風(fēng)）。具體而言，研究者提出一種新的無監(jiān)督學(xué)習(xí)框架，可以檢測推文中的子事件，以進(jìn)行回顧性危機(jī)分析。這個框架首先從原始推文中抽取動名詞對和短語作為子事件的候選，然后從抽取到的詞對和短語上學(xué)習(xí)一個語義嵌入，并與一個危機(jī)專用譜系對比進(jìn)行關(guān)聯(lián)度排序。接著過濾掉噪音和不正確的信息，然后將動名詞對和短語進(jìn)行聚類，使得排在前面的候選是描述最重要子事件的。通過在Hurricane Harvey和2015 Nepal Earthquake這兩個真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)證明了這篇論文提出的框架取得了最佳性能。

量子邏輯門綜合作為馬爾可夫決策過程

論文名稱：Quantum Logic Gate Synthesis as a Markov Decision Process

作者：Alam M. Sohaib

發(fā)表時間：2019/12/27

論文鏈接：https://paper.yanxishe.com/review/7949

推薦理由：強(qiáng)化學(xué)習(xí)見證了量子編程中各種任務(wù)的最新應(yīng)用。基本假設(shè)是，這些任務(wù)可以建模為馬爾可夫決策過程（MDP）。

本文中，作者通過探索該假設(shè)對量子編程中兩個最簡單的任務(wù)的影響來研究該假設(shè)的可行性：狀態(tài)準(zhǔn)備和門編譯。通過形成離散的MDP，僅專注于單量子位的情況，就可以通過策略迭代來精確求解最優(yōu)策略。作者找到了與門的最短可能序列相對應(yīng)的最佳路徑，以準(zhǔn)備狀態(tài)或編譯門，達(dá)到某種目標(biāo)精度。例如，作者發(fā)現(xiàn)長度為11的H和T門的序列對于（HT）^ {n} | 0>形式的狀態(tài)產(chǎn)生約99％的保真度，其值最大為n = 10 ^ {10}。。這項(xiàng)工作提供了有力的證據(jù)，說明強(qiáng)化學(xué)習(xí)可以用于較大的量子位空間的最佳狀態(tài)準(zhǔn)備和門編譯。

用于計(jì)算組織病理學(xué)的深度神經(jīng)網(wǎng)絡(luò)模型：一項(xiàng)調(diào)查

論文名稱：Deep neural network models for computational histopathology: A survey

作者：Srinidhi Chetan L. /Ciga Ozan /Martel Anne L.

發(fā)表時間：2019/12/28

論文鏈接：https://paper.yanxishe.com/review/7950

推薦理由：組織病理學(xué)圖像包含豐富的表型信息，可用于監(jiān)測促成疾病進(jìn)展和患者生存結(jié)果的潛在機(jī)制。

最近，深度學(xué)習(xí)已成為分析和解釋癌癥組織學(xué)圖像的主流方法論選擇。在本文中，作者對組織病理學(xué)圖像分析中使用的最新深度學(xué)習(xí)方法進(jìn)行了全面回顧。通過對130余篇論文的調(diào)查，作者根據(jù)不同機(jī)器學(xué)習(xí)策略的方法論方面（例如有監(jiān)督，弱監(jiān)督，無監(jiān)督，遷移學(xué)習(xí)和這些方法的其他子變量）回顧了領(lǐng)域的進(jìn)展。作者還概述了適用于特定疾病的預(yù)后任務(wù)的基于深度學(xué)習(xí)的生存模型。最后，其總結(jié)了幾個現(xiàn)有的開放數(shù)據(jù)集，并重點(diǎn)介紹了當(dāng)前深度學(xué)習(xí)方法的關(guān)鍵挑戰(zhàn)和局限性以及未來研究的可能途徑。

利用特征去樣式化識別Instagram過濾圖像

論文名稱：Recognizing Instagram Filtered Images with Feature De-stylization

作者：Wu Zhe /Wu Zuxuan /Singh Bharat /Davis Larry S.

發(fā)表時間：2019/12/30

論文鏈接：https://paper.yanxishe.com/review/7953

推薦理由：這篇論文被AAAI 2020接收，考慮的是深度神經(jīng)網(wǎng)絡(luò)模型對于照片濾鏡的魯棒能力。

這篇論文研究一些著名的預(yù)訓(xùn)練模型是如何被Instagram自帶濾鏡影響的，進(jìn)而引入一個ImageNet的帶濾鏡數(shù)據(jù)集ImageNet-Instagram，其中對每一張ImageNet圖像使用了20種有名的Instagram濾鏡。研究發(fā)現(xiàn)，那些簡單保留結(jié)構(gòu)的濾鏡，例如僅僅只對一幅圖的整體作修飾，能導(dǎo)致卷積特征空間極大的不同。為提高模型的泛化能力，研究者引入一種輕量級去風(fēng)格化（de-stylization）模塊，該模塊能預(yù)測用于變粒度或特征轉(zhuǎn)換的參數(shù)，以撤銷被濾鏡處理過的圖像。研究者進(jìn)一步證明所提模塊能插入CNN結(jié)構(gòu)。在所構(gòu)建的新數(shù)據(jù)集上的對比實(shí)驗(yàn)表明了所提模塊的有效性。

TextScanner：讀取字符以實(shí)現(xiàn)健壯的場景文本識別

論文名稱：TextScanner: Reading Characters in Order for Robust Scene Text Recognition

作者：Wan Zhaoyi /He Mingling /Chen Haoran /Bai Xiang /Yao Cong

發(fā)表時間：2019/12/28

論文鏈接：https://paper.yanxishe.com/review/7951

推薦理由：這是曠視研究院的工作，要解決場景文本識別的問題。

在場景文字識別問題上，基于RNN注意力的方法在該領(lǐng)域占主導(dǎo)地位，但這些方法在某些情況下會存在注意力漂移問題。最近基于語義分割的算法已被證明可以有效地識別不同形式（水平方向、其他方向或者彎曲）的文本，但是這些方法可能會產(chǎn)生虛假字符或遺漏真實(shí)字符。為了解決這些問題，這篇論文提出了一個新方法TextScanner，其主要有以下三個特征：1、它針對字符類、位置和順序生成了像素級的多通道分割圖；2、它也采用RNN進(jìn)行上下文建模；3、此外它對字符位置和類別進(jìn)行并行預(yù)測，并確保以正確的順序轉(zhuǎn)錄字符。在標(biāo)準(zhǔn)基準(zhǔn)數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明，TextScanner的性能優(yōu)于最新方法，而且TextScanner在識別較困難的文本（例如中文成績單）方面顯示出巨大優(yōu)勢。

猜測隨機(jī)加性噪聲解碼的有序可靠性比特

論文名稱：Ordered Reliability Bits Guessing Random Additive Noise Decoding

作者：Duffy Ken R.

發(fā)表時間：2020/1/2

論文鏈接：https://paper.yanxishe.com/review/7960

推薦理由：猜測隨機(jī)加性噪聲解碼（GRAND）可以解碼任何前向糾錯塊代碼。原始算法假設(shè)解碼器僅接收經(jīng)過解調(diào)的硬判決，以告知其解碼。由于已知合并軟信息可提高解碼精度，因此作者在此引入有序可靠性位GRAND，即對于長度為n的二進(jìn)制塊代碼，其不超過與代碼本無關(guān)的?log2（n）?位的量化每個接收位的軟檢測信息，以確定準(zhǔn)確的解碼。

事實(shí)證明，ORBGRAND具有比CA-SCL（一種最新的CA-Polar解碼器）更好的塊錯誤率性能，并且復(fù)雜度低。用ORBGRAND解碼的相同速率的隨機(jī)線性代碼顯示出可比的塊錯誤和復(fù)雜性性能。

發(fā)布計(jì)算研究-審查可重復(fù)且透明的學(xué)術(shù)交流的基礎(chǔ)架構(gòu)

論文名稱：Publishing computational research -- A review of infrastructures for reproducible and transparent scholarly communication

作者：Konkol Markus /Nüst Daniel /Goulier Laura

發(fā)表時間：2020/1/2

論文鏈接：https://paper.yanxishe.com/review/7961

推薦理由：資助機(jī)構(gòu)越來越多地要求申請人將數(shù)據(jù)和軟件管理計(jì)劃納入提案中。此外，科學(xué)期刊和會議的作者指南通常包含有關(guān)數(shù)據(jù)可用性的聲明，并且一些審稿人拒絕不可重復(fù)的提交。開放科學(xué)的趨勢增加了作者的壓力，要求他們提供訪問其科學(xué)論文中計(jì)算結(jié)果基礎(chǔ)的源代碼和數(shù)據(jù)的權(quán)限。盡管如此，發(fā)布可復(fù)制的文章仍然是一項(xiàng)艱巨的任務(wù)，而不能僅通過提供對代碼腳本和數(shù)據(jù)文件的訪問來實(shí)現(xiàn)。因此，一些項(xiàng)目開發(fā)了解決方案，以支持可執(zhí)行分析的發(fā)布以及考慮了上述利益相關(guān)者需求的文章。

本文的主要貢獻(xiàn)是對應(yīng)用程序的綜述，該應(yīng)用程序解決了發(fā)布可執(zhí)行的計(jì)算研究結(jié)果的問題。作者比較了與所涉利益相關(guān)者相關(guān)的屬性之間的方法，例如提供的功能和部署選項(xiàng)，還嚴(yán)格討論了趨勢和局限性。審查可以支持出版商決定將哪種系統(tǒng)集成到其提交過程中，編輯可以為研究人員推薦工具，以及科學(xué)論文的作者遵循可重復(fù)性原則。

讓我們分享：移動邊緣云中資源共享的博弈論框架

論文名稱：Let's Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds

作者：Zafari Faheem /Leung Kin K. /Towsley Don /Basu Prithwish /Swami Ananthram /Li Jian

發(fā)表時間：2020/1/2

論文鏈接：https://paper.yanxishe.com/review/7959

推薦理由：移動邊緣計(jì)算試圖為不同的延遲敏感型應(yīng)用程序提供資源。因?yàn)檫吘壴品?wù)提供商可能沒有足夠的資源來滿足所有資源請求，所以這是一個具有挑戰(zhàn)性的問題。此外，將可用資源最佳地分配給不同的應(yīng)用程序也具有挑戰(zhàn)性。不同邊緣云服務(wù)提供商之間的資源共享可以解決上述限制，因?yàn)槟承┓?wù)提供商可能擁有可被其他服務(wù)提供商``租用''的可用資源。但是，邊緣云服務(wù)提供商可以有不同的目標(biāo)或\ emph {utilities}。因此，需要一種有效且有效的機(jī)制來在服務(wù)提供商之間共享資源，同時考慮各種提供商的不同目標(biāo)。

本文中作者將資源共享建模為一個多目標(biāo)優(yōu)化問題，并提出了基于\ emph {合作博弈論}（CGT）的解決方案框架。作者考慮以下策略：每個服務(wù)提供商首先將資源分配給其本機(jī)應(yīng)用程序，然后與其他服務(wù)提供商的應(yīng)用程序共享剩余的資源。我們證明，對于單調(diào)，不遞減的效用函數(shù)，該博弈是規(guī)范的和凸的。因此，\ emph {core}不為空，大聯(lián)盟穩(wěn)定。我們提出兩種算法\ emph {博弈論的帕累托最優(yōu)分配}（GPOA）和\ emph {基于一夫多妻制的帕累托最優(yōu)分配}（PPMPOA），它們從核心提供分配。因此，所獲得的分配是\ emph {Pareto}最優(yōu)的，并且所有服務(wù)提供商的總體聯(lián)盟都是穩(wěn)定的。

實(shí)驗(yàn)結(jié)果證實(shí)，作者提出的資源共享框架提高了邊緣云服務(wù)提供商的實(shí)用程序和應(yīng)用程序請求的滿意度。