Paper 研習(xí)社本周論文推薦精選 | 第八期

本文作者： AI研習(xí)社

2019-11-22 14:37

導(dǎo)語：Paper 研習(xí)社新功能上線啦！大家除了瀏覽或者參與論文推薦，還可以一鍵打包下載論文合集，針對長期更新的論文合集，你能通過系統(tǒng)消息第一時間收到更新的通知

Paper 研習(xí)社新功能上線啦！

大家除了瀏覽或者參與論文推薦，還可以一鍵打包下載論文合集，針對長期更新的論文合集，你能通過系統(tǒng)消息第一時間收到更新的通知，讓你的科研的道路上，絕不慢人一步！

Paper 研習(xí)社本周論文推薦精選 | 第八期

點擊鏈接迅速跳轉(zhuǎn)論文集下載界面:

https://paper.yanxishe.com/library?from=leiphonecolumn

「本周論文推薦精選」是 Paper 研習(xí)社推出的全新欄目，展現(xiàn)社友們在研習(xí)論文的過程中，推薦自己所閱讀到的優(yōu)秀論文，幫助大家一起學(xué)習(xí)、討論每個領(lǐng)域最新、最精彩的學(xué)術(shù)論文。

①

#人工智能# #人機(jī)交互#

《不要問 AI 可以做什么，而要問 AI 應(yīng)該做什么：一個面向任務(wù)可委托性的框架》

推薦理由：

本文被 NeurlPS 2019 錄用，要解決的是 AI 應(yīng)該做什么的問題。

為了回答該問題，這篇論文收集了 100 項任務(wù)，從動機(jī)、困難、風(fēng)險和信任四個方面衡量了這些任務(wù)可以委托給 AI 的程度。通過設(shè)計調(diào)查問卷和收集回答，這篇論文發(fā)現(xiàn)大家還是傾向于讓 AI 參與而人類保持主導(dǎo)的方式，而不是完全交給 AI 來控制。在 4 個因素中，信任是與 AI 可委托性最相關(guān)的一個因素。

這篇論文是想引發(fā)人們對于 AI 應(yīng)該做什么的思考，不過目前它的調(diào)查結(jié)果基于亞馬遜的眾包平臺，也限制了受訪者來自美國，可能換一個調(diào)查群體會有完全不一樣的結(jié)果，例如中國的 AI 開發(fā)者對于這 4 個因素的關(guān)注程度會完全不一樣。

論文鏈接：

https://paper.yanxishe.com/review/3757?from=leiphonecolumn

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

#計算語言學(xué)#

《Dreaddit：一個用于社交媒體壓力分析的 Reddit 數(shù)據(jù)集》

推薦理由：

創(chuàng)新點：這篇論文為壓力識別研究提供了一個新的數(shù)據(jù)集。

作為一種場景的人類情感，壓力在網(wǎng)絡(luò)論壇中表現(xiàn)得非常明顯。適當(dāng)?shù)膲毫梢猿蔀槿藗兊墓ぷ鲃恿Γ沁^大的壓力會危害到人們的健康。之前的研究缺失壓力識別研究相關(guān)的數(shù)據(jù)集，因此這篇論文通過從 Reddit 社區(qū)上獲取的帖子，經(jīng)過標(biāo)注后，提出了一個用于壓力識別研究的社交媒體上下文語料集。這個數(shù)據(jù)集包含了來自五個不同的 Reddit 社區(qū)類型的 19 萬帖子，還從 3 千份帖子樣本中使用 Amazon Mechanical Turk 標(biāo)注了其中的 3 萬 5 千個片段。作者們設(shè)計了有監(jiān)督學(xué)習(xí)方法，包括傳統(tǒng)機(jī)器學(xué)習(xí)方法和神經(jīng)網(wǎng)絡(luò)方法，來識別壓力。最后，作者們還分析了數(shù)據(jù)的復(fù)雜度和多樣性，以及每類數(shù)據(jù)的特性。

研究意義：新的數(shù)據(jù)集的提出會有助于后續(xù)的研究進(jìn)一步探索壓力識別方向的方法，并且與這篇論文中的方法進(jìn)行對比。

論文鏈接：

https://paper.yanxishe.com/review/3592?from=leiphonecolumn

推薦人：阿諾德?普里

③

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

《AutoGAN：生成性對抗網(wǎng)絡(luò)的神經(jīng)結(jié)構(gòu)搜索》

推薦理由：

核心問題：對抗神經(jīng)網(wǎng)絡(luò)再自然圖像方面具有明顯的優(yōu)勢，如何生成高質(zhì)量的圖片成為一個很重要的問題，本論文使用自動搜索的方式搜索到一個較好的生成器結(jié)構(gòu)而無需人工設(shè)計，這種結(jié)構(gòu)自設(shè)計的方式成為 Auto-GAN。

創(chuàng)新點：作者首先定義了生成器結(jié)構(gòu)變化的搜索空間，然后使用 RNN 控制器來指導(dǎo)搜索，并通過參數(shù)共享和動態(tài)重置來加速該過程。最后使用 Inception score 作為獎勵，引入多級搜索策略以逐步執(zhí)行 NAS。

研究意義：自動結(jié)構(gòu)設(shè)計一直是火熱的話題，而如何再 GAN 中做自動結(jié)構(gòu)設(shè)計是一個難題，NAS 和 GAN 結(jié)合面臨的獨特挑戰(zhàn)。

論文鏈接：

https://paper.yanxishe.com/review/2575?from=leiphonecolumn

推薦人：莎碧娜?埃德

④

#計算機(jī)視覺#

《基于深度殘差學(xué)習(xí)的車牌拍賣價格預(yù)測》

推薦理由：

本文要解決的問題是車牌拍賣價格的預(yù)測問題。

由于迷信等因素，不同字母和數(shù)字對應(yīng)的車牌號的拍賣價格很不一樣，甚至可以高達(dá)數(shù)百萬元，例如本文使用的香港車牌拍賣的歷史上就有 5 次車牌售價超過了一百萬美元。在這樣的背景下，這篇論文試圖搭建一個在線服務(wù)，用來提供以下服務(wù)：

價格估計：通過深度殘差學(xué)習(xí)等模型，基于語言學(xué)和計算機(jī)視覺這兩方面的特征（例如數(shù)字是否吉利、是否對稱等），來估計車牌的拍賣價格；
給出估計的價格的分布，特別是對于價格比較貴的車牌，能夠給用戶更準(zhǔn)確的參考；
車牌搜索引擎：能夠讓用戶找到可能會感興趣的車牌號。

基于香港車牌拍賣的歷史價格數(shù)據(jù)，這篇論文發(fā)現(xiàn)基于卷積神經(jīng)單元的模型要優(yōu)于基于遞歸神經(jīng)單元的模型，也優(yōu)于其他機(jī)器學(xué)習(xí)模型。

與之前一篇試圖用計算機(jī)圖形學(xué)技術(shù)預(yù)測藝術(shù)品價格的論文類似，這也是一篇試圖在現(xiàn)實問題中應(yīng)用計算機(jī)技術(shù)的論文，或許能夠啟發(fā)后續(xù)的研究在傳統(tǒng)的計算機(jī)任務(wù)之外，找到更多計算機(jī)視覺技術(shù)能夠應(yīng)用的場景。

論文鏈接：

https://paper.yanxishe.com/review/815?from=leiphonecolumn

推薦人：溫蒂?斯普林

⑤

#圖卷積網(wǎng)絡(luò)#

《使用圖卷積網(wǎng)絡(luò)在詞嵌入中整合句法和語義信息》

推薦理由：

詞嵌入已在多個 NLP 應(yīng)用程序中廣泛采用。大多數(shù)現(xiàn)有的單詞嵌入方法都利用單詞的順序上下文來學(xué)習(xí)其嵌入。盡管已經(jīng)嘗試了利用單詞的句法上下文，但是這種方法導(dǎo)致詞匯量的爆炸式增長。

創(chuàng)新點：在本文中，作者通過提出 SynGCN（一種基于圖卷積的靈活方法來學(xué)習(xí)單詞嵌入）克服了這一問題。SynGCN 在不增加詞匯量的情況下利用單詞的依存關(guān)系。SynGCN 學(xué)習(xí)的單詞嵌入在各種內(nèi)在和外在任務(wù)上的表現(xiàn)均優(yōu)于現(xiàn)有方法，與 ELMo 結(jié)合使用時具有優(yōu)勢。作者還提出了 Sem-GCN 框架，這是一個可以整合各種語義知識，以進(jìn)一步增強(qiáng)學(xué)習(xí)的單詞表示形式的有效框架。作者提供兩種模型的源代碼，以鼓勵可重復(fù)的研究。

論文鏈接：

https://paper.yanxishe.com/review/3602?from=leiphonecolumn

推薦人：Furion

? ? ?

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：

ICCV 2019 論文合集 1075 篇

下載地址：https://www.yanxishe.com/resourceDetail/1055?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