本周值得读的15篇AI论文，还有源码搭配服用
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 131 篇文章@jingyihiter 推荐
#Neural Sequence Generation
本文是自动化所张家俊老师发表于 TACL 2019 的工作，论文研究的问题是在序列生成任务的解码过程中如何进行双向解码。文章提出一种新的 beam search 算法用于双向解码，提出了改进 transformer 进行双向解码的 BIFT model，在机器翻译和文本摘要任务上都取得明显的提升。文中分别给出了详细的实验，并附有开源实现代码。
▲ 论文模型：点击查看大图
@paperweekly 推荐
#Abstractive Summarization
本文来自 NAACL-HLT 2019，论文提出了一个名为多级存储网络（MMN）的生成式摘要模型，直接用多级卷积存储器代替基于 RNN 的编码器。该模型利用卷积来控制多级句子，段落和整个文本中的表示程度。
此外，本文还贡献了一个大型抽象摘要数据集—Reddit TIFU，包含来自 Reddit 的 120K 个帖子。基于 AMT 的定量评估和用户研究，本文模型在 Reddit TIFU 和新闻类生成式摘要数据集上均优于当前最先进的抽象概括方法。
▲ 论文模型：点击查看大图
@stevewyl 推荐
#Natural Language Understanding
本文来自微软，论文提出将多任务学习（MTL）和语言模型进行结合，提升了 NLU 领域的 GLUE 榜单 1.8%。本文是基于多任务学习框架和特征共享层硬连接的方式实现的，将原有 MT-DNN 模型中的特征表示层，替换为目前大热的 BERT。与 BERT 不同的是，微调是在多个任务上同时进行的。
本文是在 BERT 的基础上比较成功的一次探索，后续可以考虑任务之间的相关性。BERT 和 MTL 的结合可能是接下来的一个研究热点。 不足之处是没有重大创新，MTL 的使用比较简单，有提升空间。
▲ 论文模型：点击查看大图
@Hutommy 推荐
#Dialogue Systems
本文是波恩大学和波鸿鲁尔大学发表于 CoNLL 2018 的工作，论文基本说明了对话系统的类别，而且介绍了 RNN，BiRNN 以及 GRU 的思想。此外，本文结合了外部知识增加了一种机制，提高处理较低频的字词的能力。同时结合了领域关键字描述编码，在多回合对话中有所帮助。
▲ 论文模型：点击查看大图
@chunhualiu 推荐
#Story Ending Generation
本文是清华大学黄民烈老师组发表于 AAAI 2019 的工作，论文提供了一种如何利用常识知识做故事结尾生成的新思路。作者提出利用增量编码的方式来对 RocStories 数据集中的 context 进行编码，并且将从 ConceptNet 中检索得到的知识进行编码，利用 multi-source attention 的方式融合到 context 的编码过程中。
▲ 论文模型：点击查看大图
@paperweekly 推荐
#Named Entity Recognition
本文是曼彻斯特大学和丰田工业大学发表于 NAACL 2018 的工作，论文提出了一种由 flat NER layers 动态连续堆叠而成的神经网络模型，每个 flat NER layer 含有一个 BiLSTM 和 CRF 分别进行输入编码和标签预测，整体模型为 Layered-BiLSTM-CRF。
当前 flat layer 将已被识别为实体的 token 经过 LSTM 处理的新表示合并起来，传递给下一个 flat layer，从而使得模型能以从内到外的方式，充分利用内部实体编码信息识别出外部实体，直到没有更外部的实体被识别出来。
▲ 论文模型：点击查看大图
@xiaolu 推荐
#Visual Question Answering
本文是一篇来自港中文、清华大学等机构的最新 VQA 论文，被 CVPR 2019 接收为口头报告。Github 上已经有人复现了该工作。
学习多模态之间的高效特征融合是视觉问答问题的核心，本文提出了一种动态融合多模态特征的新方法，通过模态内（intra-modality ）和模态间（inter-modality）的信息流，交替地在视觉和语言模态之间传递动态信息。它可以稳健地捕获语言和视觉域之间的高层次语义交互，从而显著提高视觉问答的性能。
本文还发现，基于其它模态的约束，一种模态内的注意力可以动态调节目标模态的注意力。本文模型在 VQA2.0 数据集上实现了当前最好的效果。
▲ 论文模型：点击查看大图
@vimjian 推荐
#6D Object Pose Estimation
本文是斯坦福和上海交大发表于 CVPR 2019 的工作，论文提出了一种可单独处理两个数据源的异质架构—DenseFusion。实验表明，DenseFusion 在 YCB-Video 和 LineMOD 两个数据集上的表现都优于当前最先进的方法。此外，研究者还将该方法应用于真实的机器人上，使其可以根据估计的姿态来抓取和操纵目标。
▲ 论文模型：点击查看大图
@Flawless1202 推荐
#Object Detection
本文是中山大学和华为诺亚方舟实验室发表于 NeurIPS 2018 的工作，论文提出了大尺度目标检测的新思路，通过显性知识和隐性知识模块，将先验信息融合到神经网络中以丰富特征，取得了 SOTA 的效果。
▲ 论文模型：点击查看大图
@paperweekly 推荐
#Pose Transfer
本文来自特伦托大学和Snap，论文研究的问题是将视频中的物体动作迁移到一张图片上，然后基于这张图片和指定动作生成一个新视频。
作者通过一个深度框架够将外形和运动信息解耦，该框架由三个模块组成：1）关键点检测器，可以无监督训练提取对象关键点；2）深度运动预测网络，可从稀疏关键点生成密集的热图（heatmaps），从而更好地编码运动信息；3）运动迁移网络，该网络基于运动热图和从输入图像提取的外形信息去合成输出帧。
▲ 论文模型：点击查看大图
@BelieveOP5 推荐
#Image Generation
本文是 Google AI 发表于 PMLR 2018 的工作，论文将图像超分辨和 Self-Attention 机制结合起来，提出了一种将 Self-Attention 机制应用在图像生成领域上的新方法，值得一看。
▲ 论文模型：点击查看大图
@alichen 推荐
#Robotics
本文是普渡大学发表于 ICRA 2019 的工作。这篇文章提出了 Flapping Wing Micro Air Vehicles (FWMAVs) 开源仿真平台，并比较了仿真和实验测得的 force map，开环控制响应及闭环控制响应，发现仿真结果和实验结果非常相近。
和其他机器人仿真相比（例如 legged robots, ground vehicles），FWMAVs 仿真需要考虑在高频的 flapping motion 下，周围空气动力学的不稳定性，对系统进行建模难度更大。这个平台可用于机器人设计、控制与优化的研究，并与和 OpenAI Gym 环境完全兼容，利于今后强化学习和飞行控制相结合的研究。
▲ 论文模型：点击查看大图
@paperweekly 推荐
#Collaborative Filtering
本文是 Netflix、MIT 和 Google AI 发表于 WWW 2018 的工作，论文将变分自编码器（VAE）扩展到协同过滤以进行隐式反馈，通过非线性概率模型克服线性因子模型的局限。其次，作者引入了具有多项式似然（multinomial likelihood）的生成模型，并使用贝叶斯推断进行参数估计。
作者基于 VAE 提出了一个生成模型 VAE_CF，并针对 VAE 的正则参数和概率模型选取做了适当调整，使其在当前推荐任务中取得最佳结果。
▲ 论文模型：点击查看大图
@zhangjun 推荐
#Bayesian Neural Network
本文是 UCLA 和 UC Davis 发表于 ICLR 2019 的工作，论文提出了一种新的对抗防御方法，结合了贝叶斯神经网络（BNN）和对抗训练的优势，获得了不错的效果。其中，BNN 将每个权重参数视作一个随机变量，在预测时相当于一个无限个数的集成模型，实验证明只依靠 BNN 并不能做好防御，结合对抗训练才会提升模型的防御能力。
点评：本文没有提出原创的方法，而是结合两种现有的方法进行了组合测试，取得了不错的效果。
▲ 论文模型：点击查看大图
@RememberMe 推荐
#Financial Time Series
本文提出了一种确定股票价格时间序列中最佳 buy, sell, hold 时间点的股票交易模型，作者结合了两种已有方法 GA+DMLP (Genetic Algorithm and Deep Multi Layer Perceptron)。
具体思路：已有 1）技术分析指标（technical analysis indicator）作为深度网络模型的输入特征来做时间序列预测；2）用于技术分析指标寻优的进化算法。本文结合二者，将进化算法优化后的技术分析指标作为深度网络的输入特征，从而尝试使深度网络从进化算法的优化中学习判断最佳的进出点。
▲ 论文模型：点击查看大图
@chlr1995 推荐
#Network Pruning
本文是图森发表在 ECCV 2018 的工作，论文在结构稀疏化的基础上提出了一种更简洁的方式，达到粗粒度的剪枝（直接剪枝整个 residual function/aggregated residual block 中的一个 group），通过引入一个结构缩放因子 lambda，在训练过程中对 lambda 施加一个 L1 正则化，训练结束后，剪掉 lambda=0 的块或 group，达成网络剪枝的效果。
▲ 论文模型：点击查看大图
本期所有入选论文的推荐人
均将获得PaperWeekly纪念周边一份
▲ 深度学习主题行李牌/卡套 + 防水贴纸
礼物领取方式
推荐人请根据论文详情页底部留言
添加小助手领取礼物
*每位用户仅限领取一次
想要赢取以上周边好礼？
点击阅读原文即刻推荐论文吧！
点击以下标题查看往期推荐：
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？ 答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。
📝 来稿标准：
• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志
📬 投稿邮箱：
• 投稿邮箱：hr@paperweekly.site
• 所有文章配图，请单独在附件中发送
• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
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 | 获取更多论文推荐