①

#計算語言學# 

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

推薦理由：

諸如Twitter之類的微博平臺越來越多地用于事件檢測?，F(xiàn)有方法主要使用機器學習模型，并依賴與事件相關的關鍵字來收集數(shù)據(jù)以進行模型訓練。這些方法對包含關鍵字的相關微博的分布進行了強有力的假設-稱為分布的期望-并將其用作模型訓練期間的后驗正則化參數(shù)。

但是，由于這些方法無法可靠地估計關鍵字的信息性及其對模型訓練的期望，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)模型預期信息的同時共同發(fā)現(xiàn)信息性關鍵詞。

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

論文鏈接：

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

推薦人：IloveNLP（華東師范大學計算機科學與技術系，中國科學院大學  客座學生）

②

#知識圖譜#

《用于圖像超分辨率的高效剩余稠密塊搜索》

推薦理由：

知識圖是各種自然語言處理應用的有用資源。以前的KG完成方法需要大量的訓練實例。實際情況是，對于大多數(shù)關系，很少有實體對可用?，F(xiàn)有的一次學習工作限制了對少量場景的方法泛化，沒有充分利用監(jiān)督信息;然而，目前對小丸KG完井的研究還不多。

本文提出了一個新的少鏡頭關系學習模型(FSRL)，旨在發(fā)現(xiàn)新的關系與少鏡頭參考的事實。FSRL可以有效地從異構的圖結構中獲取知識，聚合少量引用的表示，并為每個關系匹配相似的實體對引用集。在兩個公共數(shù)據(jù)集上的大量實驗表明，F(xiàn)SRL的性能優(yōu)于最先進的技術。

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

#計算機視覺#

《AI雷達傳感器：基于生成對抗網(wǎng)絡創(chuàng)建雷達深度探測儀圖像》

推薦理由：

這篇論文要解決的是雷達圖像生成的問題。

雷達數(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抗網(wǎng)絡創(chuàng)建雷達測深儀影像的想法。具體來說，這篇論文評估了CycleGAN合成雷達圖像用于數(shù)據(jù)增強的性能，并且對合成對合成數(shù)據(jù)以及真實和合成數(shù)據(jù)的不同組合測試了最新輪廓檢測算法的質量。這篇論文表明，由生成對抗網(wǎng)絡生成的合成雷達圖像可與真實圖像結合使用，以進行數(shù)據(jù)增強和深度神經(jīng)網(wǎng)絡訓練。但是，GAN生成的合成圖像不能僅用于訓練神經(jīng)網(wǎng)絡（合成訓練和實測），因為它們不能模擬所有雷達特征，例如噪聲或多普勒效應。

這篇論文首次將生成對抗網(wǎng)絡引入雷達深度探測儀圖像相關的領域中，并且展示了一些正面的應用結果，可以鼓勵后續(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

#深度學習# 

《轉移注意力機制適應特定領域》

推薦理由：

1.主要解決問題：

領域適應方面的最新工作為不同領域建立了橋梁通過對抗性學習領域不變表示不能由域區(qū)分符區(qū)分。現(xiàn)有的對抗域適應方法主要是對齊源域和目標域中的全局映像。但是，很明顯，并非圖像的所有區(qū)域都是可轉移的，而強制對齊不可轉移的區(qū)域可能會導致負轉移。此外，一些圖像在各個域之間有很大的不同，導致圖像級可傳遞性。

2.創(chuàng)新點：

提出了領域適應的可轉移注意力（TADA），重點是可轉移區(qū)域或圖像上的適應模型。我們實現(xiàn)了兩種互補的可轉移注意力：由多個區(qū)域級別產(chǎn)生的可轉移的本地注意力域標識符以突出顯示可轉讓區(qū)域，以及由單個圖像級別產(chǎn)生的可轉移的全球注意力域識別符，以突出顯示可傳輸?shù)膱D像。大量實驗驗證了我們提出的模型已經(jīng)超過標準域適應數(shù)據(jù)集的最新結果。換句話說，每個圖像作為一個整體在不利用的情況下被認為是可以轉移的還是不可以轉移的其細粒度的結。更多現(xiàn)實的考慮是，圖像的豐富結構應該進一步利用以實現(xiàn)細粒度的傳輸。我們也應該能夠推斷出圖像是可轉讓的，而不能轉讓。這種觀察是出于人類學習的動機：一個人學會在圖像背后傳遞知識，他將主要參加類似的結構（在其他字，可以轉移）到他感興趣的目標任務。就這樣人類的注意力機制不僅僅是關注對象，而是更多地關注對推理其特定目標任務有用的對象。

3.未來工作（影響）

這種研究了兩種類型的互補可轉移注意力：由多個區(qū)域級域標識符生成的局部注意力以突出可轉移區(qū)域，以及由單個圖像級域標識符生成的全局注意力以突出可轉移圖像。 綜合實驗表明，該方法的性能優(yōu)于現(xiàn)有技術是在標準域適應數(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  計算機科學）

⑤

#知識圖譜# #計算語言學#

《基于超平面翻譯的知識圖嵌入》

推薦理由：

核心問題：雖然TransE模型具有訓練速度快、易于實現(xiàn)等優(yōu)點，但是它不能夠解決多對一和一對多關系的問題。以多對一關系為例，固定r和t，TransE模型為了滿足三角閉包關系，訓練出來的頭節(jié)點的向量會很相似創(chuàng)新點：本文提出一種將頭尾節(jié)點映射到關系平面的TransH模型，能夠很好地解決這一問題。

論文鏈接：

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

推薦人：magic（燕山大學 計算機科學與技術）

???

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：

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 深度強化學習論文集 61篇

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

ICCV 2019 | 最新公開的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

快來下載試試吧！

想要閱讀更多精彩論文？

點擊閱讀原文跳轉 paper.yanxishe.com