本期最新 9 篇论文，每一篇都想推荐给你

本期最新 9 篇论文，每一篇都想推荐给你 | PaperDaily #14

2017-11-14 548

[ 自然语言处理 ]

Word Translation Without Parallel Data
@Ttssxuan 推荐

本文贡献：

一种无需平行语料的无监督词翻译方案
缓和 hubness problem 的方案
无监督验证与选参方法
证明本方法在词料较少的语言的适用性
多种语言的词翻译结果

主要价值：

无监督和无平行语料的训练方案
对抗学习的应用

困难和思路：

无监督训练：使用对抗学习使得两种语言在目标空间分布重合
无监督验证：计算翻译对之间的平均 cosin 距离，用于验证和调参
生成词典：使用 CSLS 找出翻译结果

论文链接
http://www.paperweekly.site/papers/1097

Generalized End-to-End Loss for Speaker Verification
@Drin_Peng 推荐

这篇文章是 Google 投 ICASSP2018 的，本文在原始端到端框架上重新设计了更加具有可分性的判别函数和度量距离（1. 损失函数和清华大学王东老师投 ICASSP2018 的 FULL-INFO TRAINING FOR DEEP SPEAKER FEATURE LEARNING 文章有异曲同工之妙）。此外还应用了 domain adaptation，借助大数据集训练了小数据集。这些方法减少了训练时间（60%）提高了准确率（10%）。

论文链接
http://www.paperweekly.site/papers/1121

End-to-End Adversarial Memory Network for Cross-domain Sentiment Classification
@robertdlut 推荐

该论文是香港科技大学杨强老师团队的工作，发表在 IJCAI2017 上。该论文在跨领域情感分类任务上使用了一个端到端的对抗记忆网络进行迁移学习。

该网络有两部分组成，一个情感分类器（目的找到对情感分类重要的特征），一个领域分类器（目的在于找到所有领域都共享的特征）。在领域分类器中使用了对抗训练来学习共享特征。然后这两部分同时训练，来选出特征即能够有效进行情感分类，又是所有领域都存在的。在迁移学习中使用对抗训练，值得学习。

论文链接
http://www.paperweekly.site/papers/1085

[ 计算机视觉 ]

Unsupervised Adaptation for Deep Stereo
@lisabug 推荐

文章有何贡献：本文提出了一种新的 fine-tuning 的方法使在大量合成数据上训练的 DispNet 可以迁移到无 groudtruth 或者只有极少量的 groundtruth 的实际数据集上。

本文研究的问题有何价值：双目深度估计的标签现实中很难获得，本文提出的 fine-tuning 方法可以在没有groundtruth 的情况下将模型迁移过来。

所研究问题有何困难：如何获得可靠的监督信息来 fine-tune。

本文的解决思路是怎样的：文章受在 Kitti 数据集上 fine-tune 的启发，发现利用稀疏的标签也可以很好地对模型进行训练。文章利用传统算法如 AD-CENSUS 或 SGM 生成 label 来作为 groundtruth，同时利用 CCCN（一种 confidence measure 的方法）来选取可信度高的 label，只利用这部分置信度高的 sparse label 来 fine-tune。

论文链接
http://www.paperweekly.site/papers/1084

ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
@chenhong 推荐

分类网络是计算机视觉的基础，目标追踪定位识别都可以分割到分类实现。分类网络在嵌入式设备比如手机等智能终端中应用，是商业化的必然趋势。Face++ 团队提出的 ShuffleNet，基于 mobilenet 的改进，具有实现更高效的优势。

论文链接
http://www.paperweekly.site/papers/1113

Representation Learning by Rotating Your Faces
@993917172 推荐

贡献：与现有的方法 SRGAN 等不同，该论文建立了一个带有编码-解码结构的生成器，由编码器输入任意姿态的人脸图像，由解码器输出摆正姿态的人脸图像。此外，该论文的判别器不仅用来分辨真实和人造图像，还用来预测人脸身份信息。

研究价值：现实中，受到多种因素影响，用户所获得的监控视频中人脸图像往往质量较低，且人脸图像姿态较多，这些因素都对人脸识别等应用造成影响。

研究困难：在图像质量评价中，生成对抗网络的实验结果图具有更好的主观结果图，但是它的客观评价未达到最优结果。

未来可能研究方向：未来，可以将人脸识别与生成对抗网络更好的结合，生成器与判别器的密集连接将成为一种可能。

论文链接
http://www.paperweekly.site/papers/1106

[ 机器学习 ]

NeST: A Neural Network Synthesis Tool Based on a Grow-and-Prune Paradigm
@paperhwd 推荐

文章提出了一种在训练过程中连接、生长、移除神经元的神经网络。这种神经网络使用梯度和神经元来生长和修剪，从而实现权重和结构的同时训练。此算法可以同时实现神经网络结构的自动选择和超高效压缩。
论文链接
http://www.paperweekly.site/papers/1116

Neural Discrete Representation Learning
@Synced 推荐

DeepMind 最近提出的 VQ-VAE 是一种简单而强大的生成模型，结合向量量化和变分自编码器学习离散表示，可以实现在图像识别、语音和对话等任务上的无监督学习。
论文链接
http://www.paperweekly.site/papers/1100

An Empirical Analysis of Multiple-Turn Reasoning Strategies in Reading Comprehension Tasks
@zhangjun 推荐

本文通过实验得出结论，在机器阅读理解任务中多轮推理将会得到更好的结果，这里用增强学习对轮数进行控制。
论文链接
http://www.paperweekly.site/papers/1099

原文发布时间为：2017-11-15
本文作者：让你更懂AI的
本文来自云栖社区合作伙伴“PaperWeekly”，了解相关信息可以关注“PaperWeekly”微信公众号

微信关注我们

原文链接：https://yq.aliyun.com/articles/250307

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

Android常用组件

UI相关图片 Android-Universal-Image-Loader：com.nostra13.universalimageloader：异步加载、缓存、显示图片 ImageLoader：com.novoda.imageloader：异步加载、缓存、显示图片 picasso：com.squareup.picasso：功能强大的图片下载缓存库 PhotoView：uk\co\senab\photoview：支持缩放和各种手势的ImageView ListView JazzyListView：com.twotoasters.jazzylistview：扩展的ListView，当列表项目在屏幕上可见时产生动画效果 StickyListHeaders：com.emilsjolander.components.stickylistheaders：在ListView中置顶 ListViewAnimations：com.haarman.listviewanimations：带动画的ListView drag-sort-listview：？？？：拖拽排序ListView的元素 android-...

2017-11-15

708

阅读目录简介数学描述例子应用领域回到顶部简介马尔可夫模型（Markov Model)描述了一类随机变量随时间而变化的随机函数。考察一个状态序列（此时随机变量为状态值），这些状态并不是相互独立的，每个状态的值依赖于序列中此状态之前的状态。回到顶部数学描述一个系统由N个状态S= {s1,s2,...sn}，随着时间的推移，该系统从一个状态转换成另一个状态。Q= {q1,q2,...qn}为一个状态序列，qi∈S,在t时刻的状态为qt,对该系统的描述要给出当前时刻t所处的状态st，和之前的状态s1,s2,...st, 则t时刻位于状态qt的概率为：P(qt=st|q1=s1,q2=s2,...qt-1=st-1)。这样的模型叫马尔可夫模型。特殊状态下，当前时刻的状态只决定于前一时刻的状态叫一阶马尔可夫模型，即P(qt=si|q1=s1,q2=s2,...qt-1=sj) =P(qt=si|qt-1=sj)。状态之间的转化表示为aij,aij=P(qt=sj|qt-1=si),其表示由状态i转移到状态j的概率。其必须满足两个条件： 1.aij≥ 02.=1 对于有N个状...

2017-11-15

580

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。