①

#計(jì)算語(yǔ)言學(xué)# 

《一種微博事件檢測(cè)中聯(lián)合關(guān)鍵詞發(fā)現(xiàn)和期望估計(jì)的方法》

推薦理由：

諸如Twitter之類的微博平臺(tái)越來(lái)越多地用于事件檢測(cè)?，F(xiàn)有方法主要使用機(jī)器學(xué)習(xí)模型，并依賴與事件相關(guān)的關(guān)鍵字來(lái)收集數(shù)據(jù)以進(jìn)行模型訓(xùn)練。這些方法對(duì)包含關(guān)鍵字的相關(guān)微博的分布進(jìn)行了強(qiáng)有力的假設(shè)-稱為分布的期望-并將其用作模型訓(xùn)練期間的后驗(yàn)正則化參數(shù)。

但是，由于這些方法無(wú)法可靠地估計(jì)關(guān)鍵字的信息性及其對(duì)模型訓(xùn)練的期望，因此受到了限制。本文介紹了一種Human-AI循環(huán)方法，以在發(fā)現(xiàn)模型預(yù)期信息的同時(shí)共同發(fā)現(xiàn)信息性關(guān)鍵詞。

作者的方法迭代地利用人群來(lái)估計(jì)關(guān)鍵字的特定期望以及人群與模型之間的分歧，以發(fā)現(xiàn)最有利于模型訓(xùn)練的新關(guān)鍵字。這些關(guān)鍵字及其期望不僅可以改善結(jié)果性能，還可以使模型訓(xùn)練過(guò)程更加透明。作者在多個(gè)真實(shí)數(shù)據(jù)集上從準(zhǔn)確性和可解釋性方面經(jīng)驗(yàn)證明了其方法的優(yōu)點(diǎn)，并表明其方法將現(xiàn)有技術(shù)水平提高了24.3％。

論文鏈接：

https://paper.yanxishe.com/review/7405?from=leiphone

推薦人：IloveNLP（華東師范大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，中國(guó)科學(xué)院大學(xué)  客座學(xué)生）

②

#知識(shí)圖譜#

《用于圖像超分辨率的高效剩余稠密塊搜索》

推薦理由：

知識(shí)圖是各種自然語(yǔ)言處理應(yīng)用的有用資源。以前的KG完成方法需要大量的訓(xùn)練實(shí)例。實(shí)際情況是，對(duì)于大多數(shù)關(guān)系，很少有實(shí)體對(duì)可用。現(xiàn)有的一次學(xué)習(xí)工作限制了對(duì)少量場(chǎng)景的方法泛化，沒(méi)有充分利用監(jiān)督信息;然而，目前對(duì)小丸KG完井的研究還不多。

本文提出了一個(gè)新的少鏡頭關(guān)系學(xué)習(xí)模型(FSRL)，旨在發(fā)現(xiàn)新的關(guān)系與少鏡頭參考的事實(shí)。FSRL可以有效地從異構(gòu)的圖結(jié)構(gòu)中獲取知識(shí)，聚合少量引用的表示，并為每個(gè)關(guān)系匹配相似的實(shí)體對(duì)引用集。在兩個(gè)公共數(shù)據(jù)集上的大量實(shí)驗(yàn)表明，F(xiàn)SRL的性能優(yōu)于最先進(jìn)的技術(shù)。

論文鏈接：

https://paper.yanxishe.com/review/7295?from=leiphone

推薦人：明明知道（碁震  數(shù)據(jù)工程師）

③

#計(jì)算機(jī)視覺(jué)#

《AI雷達(dá)傳感器：基于生成對(duì)抗網(wǎng)絡(luò)創(chuàng)建雷達(dá)深度探測(cè)儀圖像》

推薦理由：

這篇論文要解決的是雷達(dá)圖像生成的問(wèn)題。

雷達(dá)數(shù)據(jù)集的收集非常昂貴，例如在南北極的野外工作中。這篇論文首次提出了基于生成對(duì)抗網(wǎng)絡(luò)創(chuàng)建雷達(dá)測(cè)深儀影像的想法。具體來(lái)說(shuō)，這篇論文評(píng)估了CycleGAN合成雷達(dá)圖像用于數(shù)據(jù)增強(qiáng)的性能，并且對(duì)合成對(duì)合成數(shù)據(jù)以及真實(shí)和合成數(shù)據(jù)的不同組合測(cè)試了最新輪廓檢測(cè)算法的質(zhì)量。這篇論文表明，由生成對(duì)抗網(wǎng)絡(luò)生成的合成雷達(dá)圖像可與真實(shí)圖像結(jié)合使用，以進(jìn)行數(shù)據(jù)增強(qiáng)和深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練。但是，GAN生成的合成圖像不能僅用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)（合成訓(xùn)練和實(shí)測(cè)），因?yàn)樗鼈儾荒苣M所有雷達(dá)特征，例如噪聲或多普勒效應(yīng)。

這篇論文首次將生成對(duì)抗網(wǎng)絡(luò)引入雷達(dá)深度探測(cè)儀圖像相關(guān)的領(lǐng)域中，并且展示了一些正面的應(yīng)用結(jié)果，可以鼓勵(lì)后續(xù)的研究。

論文鏈接：

https://paper.yanxishe.com/review/7402?from=leiphone

推薦人：阿諾德?普里

④

#深度學(xué)習(xí)# 

《轉(zhuǎn)移注意力機(jī)制適應(yīng)特定領(lǐng)域》

推薦理由：

1.主要解決問(wèn)題：

領(lǐng)域適應(yīng)方面的最新工作為不同領(lǐng)域建立了橋梁通過(guò)對(duì)抗性學(xué)習(xí)領(lǐng)域不變表示不能由域區(qū)分符區(qū)分?，F(xiàn)有的對(duì)抗域適應(yīng)方法主要是對(duì)齊源域和目標(biāo)域中的全局映像。但是，很明顯，并非圖像的所有區(qū)域都是可轉(zhuǎn)移的，而強(qiáng)制對(duì)齊不可轉(zhuǎn)移的區(qū)域可能會(huì)導(dǎo)致負(fù)轉(zhuǎn)移。此外，一些圖像在各個(gè)域之間有很大的不同，導(dǎo)致圖像級(jí)可傳遞性。

2.創(chuàng)新點(diǎn)：

提出了領(lǐng)域適應(yīng)的可轉(zhuǎn)移注意力（TADA），重點(diǎn)是可轉(zhuǎn)移區(qū)域或圖像上的適應(yīng)模型。我們實(shí)現(xiàn)了兩種互補(bǔ)的可轉(zhuǎn)移注意力：由多個(gè)區(qū)域級(jí)別產(chǎn)生的可轉(zhuǎn)移的本地注意力域標(biāo)識(shí)符以突出顯示可轉(zhuǎn)讓區(qū)域，以及由單個(gè)圖像級(jí)別產(chǎn)生的可轉(zhuǎn)移的全球注意力域識(shí)別符，以突出顯示可傳輸?shù)膱D像。大量實(shí)驗(yàn)驗(yàn)證了我們提出的模型已經(jīng)超過(guò)標(biāo)準(zhǔn)域適應(yīng)數(shù)據(jù)集的最新結(jié)果。換句話說(shuō)，每個(gè)圖像作為一個(gè)整體在不利用的情況下被認(rèn)為是可以轉(zhuǎn)移的還是不可以轉(zhuǎn)移的其細(xì)粒度的結(jié)。更多現(xiàn)實(shí)的考慮是，圖像的豐富結(jié)構(gòu)應(yīng)該進(jìn)一步利用以實(shí)現(xiàn)細(xì)粒度的傳輸。我們也應(yīng)該能夠推斷出圖像是可轉(zhuǎn)讓的，而不能轉(zhuǎn)讓。這種觀察是出于人類學(xué)習(xí)的動(dòng)機(jī)：一個(gè)人學(xué)會(huì)在圖像背后傳遞知識(shí)，他將主要參加類似的結(jié)構(gòu)（在其他字，可以轉(zhuǎn)移）到他感興趣的目標(biāo)任務(wù)。就這樣人類的注意力機(jī)制不僅僅是關(guān)注對(duì)象，而是更多地關(guān)注對(duì)推理其特定目標(biāo)任務(wù)有用的對(duì)象。

3.未來(lái)工作（影響）

這種研究了兩種類型的互補(bǔ)可轉(zhuǎn)移注意力：由多個(gè)區(qū)域級(jí)域標(biāo)識(shí)符生成的局部注意力以突出可轉(zhuǎn)移區(qū)域，以及由單個(gè)圖像級(jí)域標(biāo)識(shí)符生成的全局注意力以突出可轉(zhuǎn)移圖像。 綜合實(shí)驗(yàn)表明，該方法的性能優(yōu)于現(xiàn)有技術(shù)是在標(biāo)準(zhǔn)域適應(yīng)數(shù)據(jù)集上得出的。

論文鏈接：

https://paper.yanxishe.com/review/7294?from=leiphone

推薦人：hm（香港城市大學(xué)  計(jì)算機(jī)科學(xué)）

⑤

#知識(shí)圖譜# #計(jì)算語(yǔ)言學(xué)#

《基于超平面翻譯的知識(shí)圖嵌入》

推薦理由：

核心問(wèn)題：雖然TransE模型具有訓(xùn)練速度快、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，但是它不能夠解決多對(duì)一和一對(duì)多關(guān)系的問(wèn)題。以多對(duì)一關(guān)系為例，固定r和t，TransE模型為了滿足三角閉包關(guān)系，訓(xùn)練出來(lái)的頭節(jié)點(diǎn)的向量會(huì)很相似創(chuàng)新點(diǎn)：本文提出一種將頭尾節(jié)點(diǎn)映射到關(guān)系平面的TransH模型，能夠很好地解決這一問(wèn)題。

論文鏈接：

https://paper.yanxishe.com/review/7407?from=leiphone

推薦人：magic（燕山大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)）

???

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：

NeurIPS 2019 1422篇 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1113?from=leiphone

NeurIPS 2019 Oral 36篇

下載地址：https://paper.yanxishe.com/packages/290?from=leiphone

NIPS2019 深度強(qiáng)化學(xué)習(xí)論文集 61篇

下載地址：https://paper.yanxishe.com/packages/289?from=leiphone

ICCV 2019 | 最新公開(kāi)的51篇 Oral Paper 合集

下載地址：https://www.yanxishe.com/resourceDetail/1010?from=leiphone

EMNLP 2019 | 10篇論文實(shí)現(xiàn)代碼合集及下載

下載地址：https://www.yanxishe.com/resourceDetail/1013?from=leiphone

NeurIPS 2019 GNN 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1006?from=leiphone

AAAI （1996-2019）歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/991?from=leiphone

快來(lái)下載試試吧！

想要閱讀更多精彩論文？

點(diǎn)擊閱讀原文跳轉(zhuǎn) paper.yanxishe.com