Paper 研习社本周论文推荐精选

会员服务 ·

Paper 研习社本周论文推荐精选 | 第十期

2019 年 11 月 24 日 AI科技评论

Paper 研习社新功能上线啦！

大家除了浏览或者参与论文推荐，还可以一键打包下载论文合集，针对长期更新的论文合集，你能通过系统消息第一时间收到更新的通知，让你的科研的道路上，绝不慢人一步！

点击链接迅速跳转论文集下载界面:

https://paper.yanxishe.com/library?from=wechatservice

「本周论文推荐精选」是 Paper 研习社推出的全新栏目，展现社友们在研习论文的过程中，推荐自己所阅读到的优秀论文，帮助大家一起学习、讨论每个领域最新、最精彩的学术论文。

①

#机器学习# #迁移学习#

《迁移学习研究综述》

推荐理由：

这篇论文是中科院、百度等研究机构发布的最新的关于迁移学习的综述。

该论文的贡献在于完整地梳理了目前已有的迁移学习研究，并对迁移学习的机制和策略进行了全面的归纳和解读。文中，作者们从数据和模型的角度对40多种具有代表性的迁移学习方法进行了整理和归纳，并且在Amazon Reviews、Reuters-21578和Office-31这三个数据集上进行了实验，来表明在实际应用中选择合适的迁移学习模型的重要性。

本文能帮助读者更好地了解迁移学习领域的研究现状和研究思路，从而能够帮助开展后续的相关研究。

论文链接：

https://paper.yanxishe.com/review/4533?from=wechatservice

推荐人：琴•福克纳（清华大学信息与通信工程专业，Paper 研习社特约作者）

②

#深度学习# #卷积神经网络#

《ImageNet：深度卷积神经网络完成图片分类》

推荐理由：

核心问题：这篇论文是大神Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton三人提出的AlexNet深度卷积神经网络，摘得了2010年ILSVRC比赛的桂冠。

创新点：这篇论文使用了经典的卷积神经网络模型完成图像的分类任务，这个经典的卷积神经网络一直影响着之后的卷积神经网络模型。它创造性的使用了relu和局部归一化等现在经典的激活函数和训练方法，可以说这在很大程度上促进了深度学习的发展。

研究意义：ImageNet是计算机视觉领域最重要的比赛之一，当时深度学习还没有现在这般火热，alexNet做为一个开创者超越众多经典的机器学习算法，开启了深度学习时代。

论文链接：

https://paper.yanxishe.com/review/4792?from=wechatservice

推荐人：feng

③

#计算语言学# #文本嵌入#

《球形文本嵌入》

推荐理由：

本文是数据挖掘领域专家韩家炜教授极力推荐的文章，非常值得一读。

研究背景：无监督文本嵌入在各种NLP任务中显示了强大的功能。大量的文本数据本身就隐含了大量的隐模式、结构和知识，尽管通常在欧几里德空间中学习文本嵌入，但是方向相似性在诸如单词相似性和文档聚类之类的任务中通常更有效，这在文本嵌入的训练阶段和使用阶段之间造成了差距。

创新点：为了弥补这一差距，作者提出了一种球形生成模型，在该模型的基础上，可以共同学习无监督的单词和段落嵌入。为了学习球形空间中的文本嵌入，本文作者开发了一种基于黎曼优化的具有收敛保证的高效优化算法。

研究意义：作者的模型具有很高的效率，并且在包括单词相似性和文档聚类在内的各种文本嵌入任务上均具有最先进的性能。因此我们可以借助该模型，来探索如何将海量数据从非结构化的数据转化为有用的知识。

论文链接：

https://paper.yanxishe.com/review/4532?from=wechatservice

推荐人：Furion

④

#计算语言学# #信息检索#

《社交媒体上的谣言检测：数据集、方法和机会》

推荐理由：

这篇论文要解决的是社交媒体上的谣言检测问题。

这是一篇来自于阿里巴巴的综述论文，对于目前的谣言检测领域的研究进行了一个全面的回顾和总结，并且列出了之前研究中使用的数据集和方法，还指出了未来的一些研究方向。

这篇论文能够帮助研究人员了解目前的谣言检测的研究现状，并且可以根据这篇论文指出的后续研究方向进一步探索。

论文链接：

https://paper.yanxishe.com/review/4911?from=wechatservice

推荐人：温蒂•斯普林

⑤

#深度学习# #信息检索#

推荐理由：

背景：将聚类和表示学习相结合是深度神经网络无监督学习的最有前途的方法之一。但是，这样做天真会导致退化的解决方案带来不适的学习问题。在本文中，作者提出了一种新颖而有原则的学习方法来解决这些问题。通过最大化标签和输入数据索引之间的信息来获得该方法。作者证明了该标准将标准的交叉熵最小化扩展到了最佳的运输问题，作者可以使用Sinkhorn-Knopp算法的快速变体有效地解决数百万个输入图像和数千个标签的问题。所得到的方法能够对视觉数据进行自我标注，从而无需手动标注就可以训练竞争激烈的图像表示形式。

突破点：与该类中以前最好的方法DeepCluster相比，作者的公式使表示学习和聚类的单个目标函数最小化。它在标准基准测试中也大大优于DeepCluster，并且可以通过自监督学习ResNet-50达到最新水平。

论文链接：

https://paper.yanxishe.com/review/4895?from=wechatservice

推荐人：李•西奥多

✎✎✎

除了上述的的五篇精选论文推荐，我们还为你精心准备了可以一键下载的论文集：

EMNLP 2019 Workshop论文合集

下载地址：https://paper.yanxishe.comhttp://packages/122?from=wechatservice

图神经网络（GNN）入门必读论文 270篇

下载地址：https://paper.yanxishe.comhttp://packages/109?from=wechatservice

最新212篇自动化神经网络搜索（NAS）论文

下载地址：https://paper.yanxishe.com/http://packages/68?from=wechatservice