Paper 研習社本周論文推薦精選 | 第三期

本文作者： AI研習社

2019-09-27 17:47

導語：「本周論文推薦精選」是 Paper 研習社推出的全新欄目。

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

①

#圖學習方法#

基于時序關系排名的股票預測

推薦理由：這篇文章已經于2019年1月發(fā)表在了ACM Transactions>為了解決這個問題，作者提出了一種名為Temporal Graph Convolution (TGC)的網絡結構。作者首先通過LSTM網絡從股票價格的時間序列數(shù)據(jù)中學習時序依賴性，然后通過新提出的TGC網絡，基于時變的股票關系來調整股票之間的時序嵌入。最后再通過一個全連接網絡，通過股票之間的時序嵌入和關系嵌入來得到每只股票的排名，從而指導交易。與其他基于時序特征的股票預測方法相比，作者提出的方法能夠取得更高的收益率。

這篇文章將圖神經網絡在股票預測中的應用向前推進了一步，考慮了時序關系上的變化并提出了新的網絡結構，可以啟發(fā)后續(xù)的研究進一步挖掘股票關系數(shù)據(jù)在價格預測中發(fā)揮的作用。

論文鏈接：

https://arxiv.org/abs/1809.09441

項目鏈接：

https://github.com/fulifeng/Temporal_Relational_Stock_Ranking

推薦人：琴??？思{ （清華大學信息與通信工程，Paper 研習社特約作者）

②

#機器學習#

機器學習的五大類別及其主要算法綜述

推薦理由一：機器學習作為一門源于人工智能和統(tǒng)計學的學科，是當前數(shù)據(jù)分析領域重點研究方向之一。首先通過追溯機器學習起源和介紹不同算法在求解策略上的啟發(fā)性思路，討論五類機器學習的發(fā)展及其主要算法在評價方法和優(yōu)化方式上的實現(xiàn)，進一步總結歸納各算法適用領域和算法優(yōu)劣，最后指出各算法克服自身缺陷的最新進展和未來實現(xiàn)多算法融合的研究方向。

機器學習來源于早期的人工智能領域，傳統(tǒng)算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等，在指紋識別、基于Haar的人臉檢測、基于HoG特征的物體檢測等領域的應用基本達到了商業(yè)化的要求或特定場景的商業(yè)化水平，即便出現(xiàn)了讓人耳目一新的深度學習，但每前進一步都異常艱難，科學的本質是合作，希望通過梳理機器學習的類別與算法，找到融合、持續(xù)發(fā)展之路。

論文鏈接：

http://www.rjdk.org/CN/article/searchArticle.do?ks_keyword=%E6%9D%8E%E6%97%AD%E7%84%B6&Submit2=#

推薦人：軟件導刊（2002年創(chuàng)刊，國家新聞出版廣電總局首批認定學術期刊。湖北省科學技術廳主管，湖北省科技信息研究院主辦；湖北省科技傳媒有限責任公司出版，國內外公開發(fā)行。Paper 研習社特約作者）

③

#人臉識別# #情感分析#

從電影中收集大規(guī)模、豐富標注的面部表情數(shù)據(jù)集

推薦理由：這篇文章提出了一種基于semi-automatic recommender的策略從電影中采集面部表情數(shù)據(jù)。并給出了詳盡的采集準則。

數(shù)據(jù)集將情感分為六類，分別是Anger, Disgust, Fear, Sadness, Happiness, Neutral和Surprise。它們的樣本數(shù)量分別是194, 123, 156, 165，387, 257和144。

數(shù)據(jù)集也是公開獲取的，可以參見https://cs.anu.edu.au/few/AFEW.html。

數(shù)據(jù)集除了樣本數(shù)量比較多的特點外，還標注了表演者的年齡、性別、姿勢等信息，在多模態(tài)人臉情感分析中有著重要的應用。

論文鏈接：

http://users.cecs.anu.edu.au/~adhall/Dhall_Goecke_Lucey_Gedeon_M_2012.pdf

推薦人：feima0969（清華大學數(shù)據(jù)科學，Paper 研習社特約作者）

④

#知識圖譜##推薦系統(tǒng)#

基于知識圖譜注意力網絡的推薦算法

推薦理由：近些年，一些工作嘗試將知識圖譜引入到推薦系統(tǒng)中來提升推薦系統(tǒng)的解釋性。本文將知識圖譜與推薦中的User-Item交互圖建立成一個混合圖，然后設計了知識圖譜注意力網絡KGAT來進行推薦。本文所提出的模型并不復雜，簡單明了直擊要害，是知識圖譜和推薦系統(tǒng)很好結合的一個工作。另外，如何考慮知識圖譜中實體和關系的差異，針對關系的多樣性來設計知識圖譜神經網絡是一個富有挑戰(zhàn)的工作。KGAT設計了Knowledge-aware Attention來聚合鄰居信息并更新節(jié)點表示，可以更好地學習知識圖譜的Embedding。

最后，KGAT實驗效果非常好。同時，受益于注意力機制和知識圖譜，實驗結果有很好的可解釋性。具體見實驗部分的case study。

論文鏈接：https://arxiv.org/abs/1905.07854v1

推薦人：Houye（北京郵電大學，Paper 研習社首席論文推薦官。）

⑤

#圖神經網絡#

預測且傳播：當圖神經網絡遇上個性化PageRank

推薦理由：圖神經網絡已經成為深度學習領域的熱門方向之一。但是圖神經網絡有個致命缺點：隨著層數(shù)的增加，GNN會出現(xiàn)過平滑現(xiàn)象，GNN所學習到的節(jié)點表示不再有區(qū)分度。有一些工作嘗試對過平滑現(xiàn)象進行解釋。本文基于18ICML JK-Net的結論分析了GNN與PageRank之間的關系，同時同個性化PageRank的角度設計了一個新穎的聚合方式，來克服過平滑問題。個人覺得本文用一種非常優(yōu)雅的方式解決了過平滑問題，具有非常好的指導意義！

從實驗結果來看，本文所提出的PPNP和APPNP可以將GNN堆疊至幾十層而不出現(xiàn)過平滑現(xiàn)象。隨著層數(shù)的增加，PPNP的效果持續(xù)增加，同時也超過經典的GCN和GAT。

論文鏈接：https://arxiv.org/abs/1810.05997

推薦人：Houye（北京郵電大學，Paper 研習社首席論文推薦官。）

???

除了上述的的五篇精選論文推薦，我們還為你精心準備了可以一鍵下載的論文集：

ICCV 2019 Accepted Paper Full List

下載地址：https://www.yanxishe.com/resourceDetail/1017?from=leiphonecolumn

ICLR 2019 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1026?from=leiphonecolumn

ICLR 2018 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1025?from=leiphonecolumn

ACL 歷年最佳論文合集