在碎片化閱讀充斥眼球的時代，越來越少的人會去關注每篇論文背后的探索和思考。

在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。

點擊本文底部的「閱讀原文」即刻加入社區，查看更多最新論文推薦。

這是 PaperDaily 的第 134?篇文章

@FindMyPaper 推薦

#Relation Extraction

本文是清華大學劉知遠老師組發表于 ACL 2019 的工作，論文描述了當今少有的抽取關系間關系的模型，有助于關系預測、關系分類等任務的發展。具體來說，作者提出根據自然語言句子生成圖神經網絡（GP-GNNs）的參數，使得 GNN 能夠處理非結構化文本輸入的關系推理。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3103

@xlf?推薦

#Recommendation Systems

本文來自 Facebook，論文提出了一個深度學習推薦模型 DLRM，該模型基于 PyTorch 和 Caffe2 實現。DLRM 結合了協同過濾和基于預測分析方法的原理，相較于其他模型有所提升，從而使其能夠有效地處理生產規模的數據，并得到當前最佳結果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3114

源碼鏈接

https://github.com/facebookresearch/dlrm

@figo 推薦

#Object Detection

本文是比較全面的一篇目標檢測綜述，幾乎涵蓋了 20 年來目標檢測的各種里程碑，從傳統方法到深度學習，值得一看。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3046

@erutan?推薦

#Question Answering

本文是南京大學和華為發表于 ACL 2019 的工作，論文關注的是單關系 KBQA 中關系抽取任務，認為沒怎么見過的關系做不對是因為這類關系缺乏一個很好的表示。所以本文用了一個 adapter ，去基于預先訓練的關系表示，學習沒見過的關系應該如何表示。引入對抗目標與重構目標，用重構 simpleQ 做的實驗。結論表示在 unseen 部分有顯著提升，其它部分也是 comparable 的。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3122

源碼鏈接

https://github.com/wudapeng268/KBQA-Adapter

@villawang?推薦

#Generative Adversarial Networks

本文來自柏林城市大學和英特爾。論文引入了一種以神經信號作為監督信息來訓練 CNN 的新思想。此外，論文還引入與人類感知相一致的 GAN 的評價指標，并且該指標只需要更小的樣本量。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3067

@QAQ 推薦

#Neural Architecture Search

本文是來自 IBM Research 的 NAS 綜述。作者從強化學習與遺傳算法、代理與 one-shot 的角度對 NAS 的進展進行了總結，并對約束和多目標架構搜索、自動數據增強、優化器和激活函數搜索等進行了討論。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3151

@xy118 推薦

#Cloze Test

本文來自清華大學和南洋理工。完形填空測試，由于其簡單的形式，常被用來考察機器閱讀理解能力，中文方面已經有了人民日報（PD）、兒童寓言故事（CFT）、CMRC2017 等數據集。

而這篇論文中，作者以完形填空的形式對中文里特有的語言現象——成語進行了測試和研究。成語在日常交流及各種文獻中經常被使用，機器如何更好地對成語進行理解和表征這一問題的重要性不言而喻。與其他詞語相比，成語的語義具有以下兩個特點：非合成性、隱喻。此外，近義詞的存在也會對機器在特定語境下選出正確選項造成干擾。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3132

數據集鏈接

https://github.com/zhengcj1/ChID-Dataset

@sheqi0399 推薦

#Generative Adversarial Networks

本文是一篇來自柏林城市大學和英特爾的綜述文章，作者對最近幾年的 GAN 研究進行了梳理，以 loss 和網絡結構進行分類，并對一些經典的 GAN 結構和變種進行了對比。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3064

@superhy 推薦

#Convolutional Neural Network

本文提出了一種新的“內成像”機制來模擬卷積通道的分組關系。該方法可以提高卷積網絡的效率，增強信道間的協作。內成像機構的設計是非常獨特的，它就像把透鏡放入卷積網絡。卷積濾波器是一種建模局部區域特征關系的利器，“內成像”這種設計讓我們能夠利用卷積濾波器來建模卷積通道間的成組關系，比 SE 模型更明顯地提升卷積網絡的建模效率。所提出的內成像機制可以應用于各種 CNN 體系結構。它重量輕、可擴展、適應性強，具有良好的應用前景。模型設計輕便簡潔，可以有效激發更小規模的卷積網絡接近甚至超越更大規模網絡結構的效果。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3085

@erutan 推薦

#Question Answering

一堆 big name 的公司搞的一個 QA 數據集，100k 級別，回答是比較長的生成式的文字，從 Reddit ELI5 中獲得，即回答使用語言是 5 歲小朋友可以看懂的那種。問題以 how、why 為主，what 開頭的復合問題也有一些。評價指標以 ROUGE 等為主。

▲ ?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3124

源碼鏈接

https://github.com/facebookresearch/ELI5

@jimy 推薦

#Recommender Systems

本文是麥考瑞大學和悉尼科技大學發表于 IJCAI 2019 的綜述文章，論文對當前深受大家關注的序列推薦系統做了一個系統的總結和回顧。該文章系統闡述了為什么需要序列推薦系統，它與傳統的推薦系統如協同過濾有什么差別，以及什么是序列推薦系統。

作者從數據特征的角度出發，系統闡述了序列推薦系統中面臨的主要問題和挑戰以及目前的相應解決方案，系統地總結了整個序列推薦系統的技術發展脈絡。該文章深入淺出，淺顯易懂，避免了高深的數學公式和復雜的邏輯推導與定義，很容易讀懂，但同時包含了該領域最新的發展動態。特別適合于想進入這個領域的初學者閱讀。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3079

@Layumi 推薦

#Person Re-identification

本文是英偉達、悉尼科技大學和澳大利亞國立大學發表于 CVPR 2019 的工作。行人重識別的難點在于不同攝像頭下人的類內變化（包括攝像頭的視角/光照/人的姿態等）。本文沒有使用任何部件匹配的損失，而是僅僅讓模型去“看”更多的訓練圖像來提升行人重識別的效果。而這些訓練圖像都是由 GAN 生成的。

相比于 ICCV 2017 時第一篇使用 GAN 來生成行人圖像的文章，本文不僅在生成圖像質量上有了大的提升，同時也將行人重識別的模型與生成模型做了有機的結合。從行人重識別模型提取好的行人特征可以作為 GAN 的 input，而 GAN 生成圖像可以用來finetune行人重識別模型。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/2999

論文鏈接

https://github.com/NVlabs/DG-Net

@tobiaslee 推薦

#Text Style Transfer

本文是北大萬小軍老師組的文章，關注的是文本的風格遷移任務。文章通過 autoencoder 編碼輸入，在得到的 latent representation 上做擾動，直到分類器對其進行分類的結果為目標風格，再利用改變后的 latent vector 解碼得到目標風格的文本。這方法和之前 Goodfellow 的 adversarial example 非常類似，通過對 loss function 計算梯度來更新輸入從而改變分類器的分類結果，這里巧妙地和文本風格遷移相結合，能夠達到控制遷移的層次（aspect）以及強度（degree）。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3062

源碼鏈接

https://github.com/nrgeup/controllable-text-attribute-transfer

@zhangjichao?推薦

#Image-to-image Translation

本文提出了一種新穎的方式去解決人眼注意力矯正的問題，在經典的?GAN-based?修復方法上提出了一種自我引導的預訓練模型來引導修復，進而保持修復的身份特征。本文為了穩定網絡的訓練和提高修復的質量，提出了一種自監督學習。這種新穎簡單的自監督學習很容易擴展到其他圖像翻譯、圖像修復領域中。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3058

論文鏈接

https://github.com/zhangqianhui/GazeCorrection

@xwzhong?推薦

#Text Classification

本文來自復旦大學。針對 BERT 在文本分類中的應用，作者嘗試了不同的微調方式來評測 BERT 的效果，主要分三大類：Fine-Tuning Strategies、Further Pretraining 和 Multi-task Fine-Tuning。

這是一篇實驗性的文章，把 BERT 盡可能的微調方式都列舉了，總的來講效果比較好的方式是：

• 長文本仍需要進行實驗才能確定是用 head、tail 還是 head+tail，這個跟具體的任務特點相關；

• 從準確率來看，一般選擇最后一層 [CLS] 的輸出，但如果要考慮線上的時間效率問題，則可以使用中間層輸出，個人在其他任務中也發現，隨著 [CLS] 層數的增加，準確率確實不斷往上增，但時間復雜度也如此；

• 如果具體任務內的無標注數足夠多，則用其再預訓練，如果不多，則可利用領域內的數據，同時輸出中間結果，并進行具體任務的微調測試。

▲?論文模型：點擊查看大圖

論文鏈接

https://www.paperweekly.site/papers/3043

#推 薦 有 禮#

本期所有入選論文的推薦人

均將獲得PaperWeekly紀念周邊一份

▲?深度學習主題行李牌/卡套 + 防水貼紙

?禮物領取方式?

推薦人請根據論文詳情頁底部留言

添加小助手領取禮物

*每位用戶僅限領取一次

想要贏取以上周邊好禮？

點擊閱讀原文即刻推薦論文吧！

點擊以下標題查看往期推薦：?

• ??近期我們在讀的那些優質論文，你不了解下？

• ??NLP、CV、ML方向最新論文清單

• ??本周值得讀的15篇AI論文，還有源碼搭配服用

• ??近期值得讀的10篇GAN進展論文

• ??近期必讀的12篇「推薦系統」相關論文

• ??知識圖譜合輯：從NeurIPS 2018到AAAI 2019

#投 稿 通 道#

?讓你的論文被更多人看到?

如何才能讓更多的優質內容以更短路徑到達讀者群體，縮短讀者尋找優質內容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發出更多的可能性。

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優質內容，可以是最新論文解讀，也可以是學習心得或技術干貨。我們的目的只有一個，讓知識真正流動起來。

??來稿標準：

? 稿件確系個人原創作品，來稿需注明作者個人信息（姓名+學校/工作單位+學歷/職位+研究方向）?

? 如果文章并非首發，請在投稿時提醒并附上所有已發布鏈接?

? PaperWeekly 默認每篇文章都是首發，均會添加“原創”標志

? 投稿郵箱：

? 投稿郵箱：hr@paperweekly.site?

? 所有文章配圖，請單獨在附件中發送?

? 請留下即時聯系方式（微信或手機），以便我們在編輯發布時和作者溝通

?

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 獲取更多論文推薦

總結

以上是生活随笔為你收集整理的@即将开学的你，请收好这份必读论文清单的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。