选对论文，效率提升50% | 本周值得读
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。
在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。
点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。
这是 PaperDaily 的第 50 篇文章// 自然语言处理 //
@paperweekly 推荐
#Chinese Text Dataset
清华大学和腾讯共同推出了一个超大规模的中文自然文本数据集——CTW，该数据集包含 32,285 张图像和 1,018,402 个中文字符，规模远超此前的同类数据集。
@zhkun 推荐
#Attention Model
本文将 hard-attention 和 soft-attention 进行巧妙融合，hard-attention 处理长句子依赖问题，soft-attention 进行更精细化的操作，同时为 hard-attention 提供指导，并在强化学习的方法下实现了两种 attention mechanism 的有效融合，方法还是很有意思的。
Building Task-Oriented Dialogue Systems for Online Shopping
@xcwill 推荐
#Dialog System
本文来自微软小冰团队，论文展示了完整的基于网购任务的对话系统构建。
@kaierlong 推荐
#Deep Learning
本文全面概述了深度神经网络的压缩方法，主要可分为参数修剪与共享、低秩分解、迁移/压缩卷积滤波器和知识精炼，本论文对每一类方法的性能、相关应用、优势和缺陷等进行独到的分析。
@yinnxinn 推荐
#Sentence Classification
本文有机地将 CNN 和 RNN 结合，从语义层面对 sentense 进行分类，取得良好的效果，文章亮点在于模型的结合使用。
@Romantic1412 推荐
#Object Detection
本文来自滑铁卢大学和 DarwinAI，论文提出了一个比 Tiny YOLO 更快效果更好的适用于嵌入式设备的物体检测算法。
@xaj 推荐
#Medical Image Analysis
本文研究的问题是乳腺核磁共振图像（2D）的分割，对比了 K-Means、标记控制分水岭算法和高斯混合模型三种方法。
@Layumi 推荐
#Medical Image Analysis
本文提升了 ChestX-ray14 数据集上 state-of-the-art performance。通过 Attention机制，让计算机关注病理区域。
@sunlightll 推荐
#Multi-task Learning
本文从 Giphy 网站上获取 GIF 图片，通过其 GIFGIF 平台，这篇文章构建了一个带有情感的 GIF 图片库：GIFGIF+，包含 23,544 张图片，17 种情感分类。
@jamiechoi 推荐
#Image Captioning
本文研究的问题是根据图片生成网民评论，提出了一个大规模服装数据集——NetiLook，其中包含源自 11,034 位 Lookbook 用户的 355,205 张图片和 500 万条评论。此外，论文还提出了三种衡量多样性的方法。
@jindongwang 推荐
#Domain Adaptation
本文是一篇比较新的 domain adaptation 文章，里面有二十几种方法的结果，非常值得借鉴。
@Synced 推荐
#Neural Network Architectures
本文提出超越神经架构搜索（NAS）的高效神经架构搜索（ENAS），这是一种经济的自动化模型设计方法，通过强制所有子模型共享权重从而提升了 NAS 的效率，克服了 NAS 算力成本巨大且耗时的缺陷，GPU 运算时间缩短了 1000 倍以上。
在 Penn Treebank 数据集上，ENAS 实现了 55.8 的测试困惑度；在 CIFAR-10 数据集上，其测试误差达到了 2.89%，与 NASNet 不相上下（2.65% 的测试误差）。
@chenliang 推荐
#Database
本文创造性地将数据库索引视为可学习的对象，将不同的索引结构对应成不同的机器学习问题。比如，将索引一段排序内容视为 regression 问题，将 hash 解决的数据存在与否问题视为 classification 问题。
虽然目前主要考虑了 read-only 的解决方案，但仍有开辟新研究领域的潜力。
@sunlightll 推荐
#Affective Computing
本文结合了多任务学习和领域自适应方法，个性化地对个人第二天的心情、健康和压力等级进行预测。
过往的方法通常准确率较低，大部分是解决心情识别的问题，很少做心情预测，对心情识别只是二值分析，不区分程度。对每个人都采用统一的模型分析，不针对个人进行模型的调整。
本文利用用户的生理指标，行为和天气等信息训练 DNN 和 GP 来同时对用户第二天的心情、健康和压力进行预测。在 DNN 中运用多任务学习机制，对每个人进行建模，在 GP 中运用领域自适应机制，对每个人的模型进行调整。
@sylar 推荐
#Sequential Modeling
NIPS 2017 录用论文，本文解决的是不同 timescale 的序列输入问题，适用场景包括语音、推荐 session 中的兴趣捕捉等。
本文由 AI 学术社区 PaperWeekly 精选推荐，社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向，点击「阅读原文」即刻加入社区！
2017年度最值得读的AI论文 | NLP篇 · 评选结果公布
2017年度最值得读的AI论文 | CV篇 · 评选结果公布
我是彩蛋
解锁新功能：热门职位推荐！
PaperWeekly小程序升级啦
今日arXiv√猜你喜欢√热门职位√
找全职找实习都不是问题
解锁方式
1. 识别下方二维码打开小程序
2. 用PaperWeekly社区账号进行登陆
3. 登陆后即可解锁所有功能
职位发布
请添加小助手微信（pwbot01）进行咨询
长按识别二维码，使用小程序
*点击阅读原文即可注册
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
▽ 点击 | 阅读原文 | 加入社区一起刷论文