<mark id="oztn4"></mark>
0
| 本文作者： AI研習社 | 2019-10-25 14:47 |
Paper 研習社新功能上線啦！
大家除了瀏覽或者參與論文推薦，還可以一鍵打包下載論文合集，針對長期更新的論文合集，你能通過系統消息第一時間收到更新的通知，讓你的科研的道路上，絕不慢人一步！
點擊鏈接迅速跳轉論文集下載界面：https://paper.yanxishe.com
「本周論文推薦精選」是 Paper 研習社推出的全新欄目，展現社友們在研習論文的過程中，推薦自己所閱讀到的優秀論文，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
#IndRNN# #卷積神經網絡#
深度獨立卷積神經網絡（IndRNN）
推薦理由：本文要解決的是傳統RNN所存在的梯度消失和梯度爆炸問題。
與傳統RNN相比，這篇論文提出的IndRNN中，同一層的每個神經元各自獨立，神經元之間的連接可以通過堆疊兩層或更多層的 IndRNNs來實現。這樣IndRNN解決了隨時間累積的梯度爆炸和消失的問題，并且可以學習長期依賴關系。借助relu等非飽和激活函數，訓練后的IndRNN非常魯棒，并且可以堆疊多層IndRNN構建更深的網絡。實驗結果也驗證了IndRNN能夠在各種任務中取得比傳統的RNN和LSTM更好的結果。
這篇論文提出了一種新型的循環神經網絡結構，取得了比傳統模型更好的結果，能夠啟發后續的研究研究更好的模型并且作為對照的基準。
論文鏈接：https://paper.yanxishe.com/review/2426
項目鏈接：https://github.com/Sunnydreamrain/IndRNN_pytorch
推薦人：琴?福克納（清華大學信息與通信工程專業，Paper 研習社特約作者）
②
#神經網絡#
基于神經網絡的序列到序列學習
推薦理由：核心問題：序列到序列的任務類似于機器翻譯任務，這樣的任務如何處理？
創新點：本論文提出了一個端到端的模型，它能夠完成序列到序列的映射，他們使用了2個不同的LSTM模型，泛化能力得到了提升，然后它們將機器翻譯的原句子倒敘使用，模型效果提升了。
研究意義：seq2seq的框架，也為后續的序列映射任務奠定了基礎。現在很多任務使用seq2seq的模型結構，比如圖片標題生成，視頻解說，文本摘要等等。
論文鏈接：https://paper.yanxishe.com/review/1384
推薦人：magic（燕山大學計算機技術專業，Paper 研習社特約作者）
③
#深度學習# #神經網絡#
GCN可以像CNN一樣深嗎？
推薦理由：卷積神經網絡（CNN）在各種領域取得了令人矚目的成果。他們的成功得益于能夠訓練非常深的CNN模型。盡管取得了積極的成果，但CNN未能正確解決非歐幾里德數據的問題。為了克服這一挑戰，圖卷積網絡（GCN）構建圖來表示非歐幾里德數據，借用CNN的相關概念并應用它們來訓練這些模型。GCN顯示出不錯的結果，但由于梯度消失問題，它們僅限于非常淺的模型。因此，大多數最先進的GCN算法都不過3或4層。
作者提出了成功訓練深層GCN的新方法。他們借用CNN的概念，主要是Residual、Dense connections（殘差、密集連接）和Dilated convolutions（膨脹卷積） ，使它們能夠適應GCN架構。大量的實驗表明這些深層GCN框架的積極作用。最后，作者成功將GCN從3/4層拓展到56層，訓練超級深層的圖卷積神經網絡，并展示它如何在點云語義分割任務中顯著地提升了性能（與最先進技術相比提高了3.7%mIoU）。
論文鏈接：https://paper.yanxishe.com/review/1358
推薦人：志浩（中國石油大學(華東) | 機械工程）
④
#RNN#
使用循環神經網絡完成中文古詩生成
推薦理由：本文核心問題：這篇論文提出了一個基于RNN的中國古詩生成模型
創新點：古詩是有格式的，要么5個詞作為一句，要么7個詞作為一句，所以對于古詩的格式是很重要的，論文通過RNN模型把格式的約束和內容的選擇一起做了，這樣就解決了這個問題，當訓練模型結束之后，在生成古詩階段，考慮了所有前面已經生成的句子，因為古詩是一個整體，這樣的話，古詩生成的效果會很好。
意義：基于RNN做生成是一個很常用的模型算法，本論文給出了幾首使用該模型生成的古詩，看起來效果不錯，這也證明了RNN的強大的能力
論文鏈接：https://paper.yanxishe.com/review/1010
推薦人：穆得?伯特
⑤
#圖神經網絡#
用于釋義識別的卷積神經網絡
推薦理由：核心問題：本論文完成了兩個文本向量之間的匹配，具體來說是多粒度的特征之間的交互。
創新點：首先針對句子本身提取出四種粒度的特征表示：詞、短ngram、長ngram和句子粒度，然后對在同一粒度進行兩兩比較。細粒度的特征提取可以更好的完成文本向量的匹配任務。
意義：本論文提出了一個新的深度學習架構bi-cnn-mi用于釋義識別，這是CNN在NLP中的句子建模的典型應用。
論文鏈接：https://paper.yanxishe.com/review/986
推薦人：雨果?斯蒂芬
???
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
ICLR 2019 論文合集
下載地址：https://www.yanxishe.com/resourceDetail/1026
ACL 歷年最佳論文合集
下載地址：https://www.yanxishe.com/resourceDetail/1009
ICCV 2019 | 最新公開的51篇 Oral Paper 合集
下載地址：https://www.yanxishe.com/resourceDetail/1010
EMNLP 2019 | 10篇論文實現代碼合集及下載
下載地址：https://www.yanxishe.com/resourceDetail/1013
NeurIPS 2019 GNN 論文合集
下載地址：https://www.yanxishe.com/resourceDetail/1006
AAAI （1996-2019）歷年最佳論文合集
下載地址：https://www.yanxishe.com/resourceDetail/991
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
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。
