<mark id="oztn4"></mark>
0
| 本文作者： AI研習社 | 2019-12-26 14:48 |
Music-oriented Dance Video Synthesis with Pose Perceptual Loss
Black Box Recursive Translations for Molecular Optimization
Efficient Online Learning For Mapping Kernels On Linguistic Structures
Combining Fact Extraction and Verification with Neural Semantic Matching Networks
Efficient Saliency Maps for Explainable AI
SAFE: A Neural Survival Analysis Model for Fraud Early Detection
A Finite-Time Analysis of Q-Learning with Neural Network Function Approximation
Pretrained Encyclopedia: Weakly Supervised Knowledge-Pretrained Language Model
Joint Face Super-Resolution and Deblurring Using a Generative Adversarial Network
Dual Space Preconditioning for Gradient Descent
Music-oriented Dance Video Synthesis with Pose Perceptual Loss
作者：Ren Xuanchi /Li Haoran /Huang Zijian /Chen Qifeng
發表時間：2019/12/13
論文鏈接：https://paper.yanxishe.com/review/7839?from=leiphonecolumn_paperreview
推薦理由：作者提出了一種基于學習的姿勢感知損失的方法，用于自動音樂視頻生成。其方法可以產生逼真的舞蹈視頻，該視頻符合幾乎任何給定音樂的節奏和韻律。為此，作者首先從音樂生成人體骨骼序列，然后將學習到的姿勢到外觀映射應用于最終視頻。在生成骨骼序列的階段，作者利用兩個鑒別器捕獲序列的不同方面，并提出一種新穎的姿勢感知損失來產生自然舞蹈。此外，我們還提供了一種新的交叉模態評估來評估舞蹈質量，它能夠估計音樂和舞蹈兩種模態之間的相似性。最后，進行了一項用戶研究，以證明通過提出的方法合成的舞蹈視頻會產生令人驚訝的逼真的結果。
Black Box Recursive Translations for Molecular Optimization
作者：Damani Farhan /Sresht Vishnu /Ra Stephen
發表時間：2019/12/21
論文鏈接：https://paper.yanxishe.com/review/7876?from=leiphonecolumn_paperreview
推薦理由：用于生成分子結構的機器學習算法為藥物發現提供了一種有希望的新方法。作者將分子優化問題視為翻譯問題，目標是將輸入化合物映射到具有改善的生化特性的目標化合物。
值得注意的是，當將生成的分子迭代地反饋到翻譯器中時，分子化合物的屬性隨每個步驟而提高。作者證明了這一發現對于翻譯模型的選擇是不變的，這使其成為“黑匣子”算法。作者將此方法稱為黑盒遞歸翻譯（BBRT），這是一種用于分子特性優化的新推理方法。這種簡單而強大的技術嚴格作用于任何翻譯模型的輸入和輸出。作者使用熟悉的序列和基于圖形的模型進行簡單的替換，從而獲得了分子性能優化任務的最新技術成果。相對于其非遞歸對等體，作者的方法僅通過簡單的“ for”循環即可顯著提高性能。此外，BBRT具有高度的可解釋性，允許用戶從已知起點繪制新發現化合物的進化圖。
Efficient Online Learning For Mapping Kernels On Linguistic Structures
作者：Giovanni Da San Martino
發表時間：2018/12/26
論文鏈接：https://paper.yanxishe.com/review/7873?from=leiphonecolumn_paperreview
推薦理由：內核方法是用于學習結構化數據（例如樹和圖）的流行且有效的技術。它們的主要缺點之一是與對示例進行預測相關的計算成本，這體現在批核方法的分類階段，尤其是在線學習算法中。在本文中，我們分析了當內核函數是Mapping Kernels的實例時，如何加快預測速度。MappingKernels是為結構化數據指定內核的通用框架，它擴展了流行的卷積內核框架。我們從理論上研究通用模型，得出各種優化策略，并展示如何將其應用于流行的結構化數據內核。此外，我們從語義角色標記任務（這是一種自然語言分類任務，高度依賴句法樹）得出可靠的經驗證據。結果表明，我們的更快方法可以在基于標準內核的SVM（不能在非常大的數據集上運行）上明顯改善。
Combining Fact Extraction and Verification with Neural Semantic Matching Networks
作者：Yixin Nie / Haonan Chen / Mohit Bansal
發表時間：2018/12/12論
文鏈接：https://paper.yanxishe.com/review/7868?from=leiphonecolumn_paperreview
推薦理由：對錯誤信息的日益關注刺激了對自動事實檢查的研究。最近發布的FEVER數據集引入了基準事實驗證任務，其中要求系統使用來自Wikipedia文檔的證據語句來驗證索賠。在本文中，我們提出了一個由三個同類神經語義匹配模型組成的連接系統，該模型共同進行文檔檢索，句子選擇和要求驗證，以進行事實提取和驗證。對于證據檢索（文檔檢索和句子選擇），不像傳統的向量空間IR模型（在某些預先設計的術語向量空間中對查詢和來源進行匹配），我們假設沒有中間語言，我們開發了神經模型以從原始文本輸入執行深度語義匹配術語表示，無權訪問結構化的外部知識庫。我們還顯示了Pageview頻率還可以幫助提高證據檢索結果的性能，以后可以使用我們的神經語義匹配網絡進行匹配。為了進行聲明驗證，與以前僅將上游檢索到的證據和聲明提供給自然語言推理（NLI）模型的方法不同，我們通過為NLI模型提供內部語義相關性評分（因此將其與證據檢索模塊集成）來進一步增強NLI模型和本體的WordNet功能。在FEVER數據集上的實驗表明：（1）我們的神經語義匹配方法在所有證據檢索指標上都有顯著優勢，勝過流行的TF-IDF和編碼器模型；（2）附加的相關性評分和WordNet功能通過更好的語義改進了NLI模型（3）通過將所有三個子任務形式化為相似的語義匹配問題并在所有三個階段進行改進，完整的模型能夠在FEVER測試集上獲得最新的結果。
Efficient Saliency Maps for Explainable AI
作者：Mundhenk T. Nathan /Chen Barry Y. /Friedland Gerald
發表時間：2019/11/26
論文鏈接：https://paper.yanxishe.com/review/7874?from=leiphonecolumn_paperreview
推薦理由：作者描述了一種與深度卷積神經網絡（CNN）結合使用的可解釋的AI顯著性圖方法，該方法比流行的梯度方法更有效。它在數量上也相似并且準確性更高。作者的技術通過測量每個網絡規模末端的信息來工作，然后將這些信息組合成一個顯著圖。我們描述了如何通過利用顯著性圖順序等效性來提高顯著性度量。最后，我們通過使用信息的層順序可視化來可視化各個規模/層的貢獻。這提供了網絡內其他顯著性圖方法未提供的規模信息貢獻的有趣比較。由于作者的方法只需要單次向前通過網絡中的一些層，因此它至少比Guided Backprop快97倍，并且精度更高。使用我們的方法而不是Guided Backprop，類激活方法（例如Grad-CAM，Grad-CAM ++和Smooth Grad-CAM ++）將運行速度快幾個數量級，顯著減少內存占用并提高準確性。這將使此類方法在資源有限的平臺（如機器人，手機和低成本工業設備）上可行。這也將大大幫助他們在諸如衛星圖像處理之類的數據密集型應用中工作。所有這些都不會犧牲準確性。我們的方法通常很簡單，應該適用于最常用的CNN。我們還展示了用于增強Grad-CAM ++的方法的示例。
SAFE: A Neural Survival Analysis Model for Fraud Early Detection
作者：Panpan Zheng / Shuhan Yuan / Xintao Wu
發表時間：2018/12/26
論文鏈接：https://paper.yanxishe.com/review/7875?from=leiphonecolumn_paperreview
推薦理由：許多在線平臺已經部署了反欺詐系統，以檢測和防止欺詐活動。但是，在用戶實施欺詐行為的時間與用戶被平臺暫停的時間之間通常存在差距。如何及時發現欺詐者是一個具有挑戰性的問題。現有的大多數方法都采用分類器來預測欺詐者，因為他們會隨著時間的流逝而活動。分類模型的主要缺點是連續時間戳之間的預測結果通常不一致。在本文中，我們提出了一種基于生存分析的欺詐早期檢測模型SAFE，該模型將動態用戶活動映射到生存概率，保證生存概率隨時間單調下降。SAFE采用遞歸神經網絡（RNN）處理用戶活動序列，并在每個時間戳直接輸出危險值，然后，利用從危險值得出的生存概率來實現一致的預測。因為我們僅在訓練數據中觀察到用戶暫停時間，而不是欺詐活動時間，所以我們修改了常規生存模型的損失函數以實現欺詐早期檢測。在兩個真實數據集上的實驗結果表明，SAFE不僅優于生存分析模型和遞歸神經網絡模型，還優于最先進的欺詐早期檢測方法。
A Finite-Time Analysis of Q-Learning with Neural Network Function Approximation
作者：Xu Pan /Gu Quanquan
發表時間：2019/12/10
論文鏈接：https://paper.yanxishe.com/review/7871?from=leiphonecolumn_paperreview
推薦理由：具有神經網絡功能逼近的Q學習（簡稱神經Q學習）是最流行的深度強化學習算法之一。盡管在經驗上取得了成功，但神經Q學習的非漸近收斂速度實際上仍然未知。在本文中，我們對神經Q學習算法進行了有限時間分析，其中數據是從馬爾可夫決策過程生成的，而作用值函數是通過深度ReLU神經網絡來近似的。我們證明，如果神經函數逼近器被充分地過參數化，則神經Q學習會找到O（1 /√T）收斂速度的最優策略，其中T是迭代次數。據我們所知，我們的結果是在非i.i.d數據假設下首次進行神經Q學習的有限時間分析。
Pretrained Encyclopedia: Weakly Supervised Knowledge-Pretrained Language Model
作者：Xiong Wenhan /Du Jingfei /Wang William Yang /Stoyanov Veselin
發表時間：2019/12/20
論文鏈接：https://paper.yanxishe.com/review/7870?from=leiphonecolumn_paperreview
推薦理由：預訓練語言模型的最新突破表明，自監督學習對于多種自然語言處理（NLP）任務的有效性。除了標準的語法和語義NLP任務外，預訓練的模型還對涉及真實世界知識的任務進行了重大改進，這表明大規模語言建模可能是捕獲知識的隱含方法。在這項工作中，我們將進一步研究使用事實完成任務對諸如BERT等預訓練模型捕獲知識的程度。此外，我們提出了一個簡單而有效的弱監督預訓練目標，該目標明確迫使模型納入有關現實世界實體的知識。使用我們的新目標訓練的模型在事實完成任務上產生了重大改進。在應用于下游任務時，我們的模型在四個與實體相關的問題回答數據集（即WebQuestions，TriviaQA，SearchQA和Quasar-T）上的性能始終優于BERT，平均改善了2.7 F1，并提供了標準的細粒度實體類型數據集（例如， FIGER），精度提高5.7。
Joint Face Super-Resolution and Deblurring Using a Generative Adversarial Network
作者：Yun Jung Un /Park In Kyu
發表時間：2019/12/22
論文鏈接：https://paper.yanxishe.com/review/7878?from=leiphonecolumn_paperreview
推薦理由：面部圖像超分辨率（SR）是面部圖像分析，面部識別和基于圖像的3D面部重建的重要預處理。最近的基于卷積神經網絡（CNN）的方法通過使用成對的低分辨率（LR）和高分辨率（HR）面部圖像來學習映射關系，從而顯示出出色的性能。但是，由于使用CNN的HR面部圖像重建通常旨在提高PSNR和SSIM指標，因此即使分數很高，重建的HR圖像也可能不現實。
在這項研究中作者提出了一個對抗框架，通過同時生成帶有和不帶有模糊的HR圖像來重建HR面部圖像。首先，使用五層CNN將LR面部圖像的空間分辨率提高八倍。然后，編碼器提取放大圖像的特征。這些特征最終被發送到兩個分支（解碼器）以生成帶有和不帶有模糊的HR面部圖像。此外，結合了局部和全局區分符，以專注于HR面部結構的重建。實驗結果表明，該算法能夠生成逼真的HR面部圖像。此外，所提出的方法可以生成各種不同的面部圖像。
Dual Space Preconditioning for Gradient Descent
作者：Maddison Chris J. /Paulin Daniel /Teh Yee Whye /Doucet Arnaud
發表時間：2019/2/6
論文鏈接：https://paper.yanxishe.com/review/7882?from=leiphonecolumn_paperreview
推薦理由：本論文介紹了相對平滑度和相對強凸度的條件，以分析用于凸優化的Bregman梯度方法。在目標函數的凸共軛和設計的雙重參考函數之間的對偶空間中，作者引入了具有相對平滑度的完全顯式下降方案。
對于在這種雙重相對平滑度下的Legendre型凸函數，盡管它是完全明確的，但作者的方案自然保留在域的內部。作者在雙重相對強凸度下獲得線性收斂，條件數在水平平移下不變。作者的方法是梯度下降的非線性預處理，它可以改善非光滑或非強凸結構問題的顯式一階方法的條件。它展示了如何將該方法應用于p范數回歸和指數罰函數最小化。
雷鋒網雷鋒網雷鋒網
相關文章：
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
