今日 Paper | 虚假新闻检测；马尔可夫决策过程；场景文本识别；博弈论框架等

为了帮助各位学术青年更好地学习前沿研究成果和技术，AI科技评论联合Paper 研习社（paper.yanxishe.com），重磅推出【今日 Paper】栏目， 每天都为你精选关于人工智能的前沿学术论文供你学习参考。以下是今日的精选内容——

  目录

Weak Supervision for Fake News Detection via Reinforcement Learning

Unsupervised Detection of Sub-events in Large Scale Disasters

Quantum Logic Gate Synthesis as a Markov Decision Process

Deep neural network models for computational histopathology: A survey

Recognizing Instagram Filtered Images with Feature De-stylization

TextScanner: Reading Characters in Order for Robust Scene Text Recognition

Ordered Reliability Bits Guessing Random Additive Noise Decoding

Publishing computational research -- A review of infrastructures for reproducible and transparent scholarly communication

Let's Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds

  基于强化学习的虚假新闻检测弱监督

论文名称：Weak Supervision for Fake News Detection via Reinforcement Learning

作者：Wang Yaqing /Yang Weifeng /Ma Fenglong /Xu Jin /Zhong Bin /Deng Qiang /Gao Jing

发表时间：2019/12/28

论文链接：https://paper.yanxishe.com/review/7954

推荐理由：这篇论文被AAAI 2020接收，考虑的是虚假新闻检测的问题。

通过社交媒体平台，虚假新闻可以以前所未有的速度进行传播。最近基于深度学习的方法在虚假新闻检测任务中取得了令人欣喜的性能表现，但是训练此类模型需要大量标注数据，同时由于新闻的动态性质，带标注的样本可能会很快过时，无法代表新出现事件的新闻报道。因此如何获得新鲜且高质量的标注样本是将深度学习模型用于虚假新闻检测的主要挑战。为了解决这个问题，这篇论文提出了一个基于强化学习的弱监督虚假新闻检测算法WeFEND，该框架利用用户报告作为弱监督数据，从而扩大了训练数据的规模。WeFEND主要由标注模块，强化选择模块和虚假新闻检测模块构成。其中标注模块可以根据用户的报告为未标注的新闻自动分配弱标签，基于强化学习的强化选择模块从弱标注数据中选择高质量的样本，并过滤掉那些可能降低检测器预测性能的低质量样本，虚假新闻检测模块则专注于根据新闻内容识别假新闻。文章在微信官方账户发布的大量新闻文章和相关的用户报告上测试了其提出的WeFEND，实验结果表明，与最新的方法相比，WeFEND模型具有最佳的性能表现。

  大规模灾害中子事件的无监督检测

论文名称：Unsupervised Detection of Sub-events in Large Scale Disasters

作者：Arachie Chidubem /Gaur Manas /Anzaroot Sam /Groves William /Zhang Ke /Jaimes Alejandro

发表时间：2019/12/13

论文链接：https://paper.yanxishe.com/review/7955

推荐理由：在自然灾害（例如飓风，大型火灾）发生期间及之后，社交媒体往往扮演重要角色，因为人们在社交媒体上提供了有关实情的有用信息。给定大量的用户发帖，难点是如何从中得到可靠而重要的信息，以便急救人员可以及时计划和部署资源。这篇论文要解决的正是自动识别重要子事件的问题（这些子事件存在于大规模紧急事件中，例如飓风）。具体而言，研究者提出一种新的无监督学习框架，可以检测推文中的子事件，以进行回顾性危机分析。这个框架首先从原始推文中抽取动名词对和短语作为子事件的候选，然后从抽取到的词对和短语上学习一个语义嵌入，并与一个危机专用谱系对比进行关联度排序。接着过滤掉噪音和不正确的信息，然后将动名词对和短语进行聚类，使得排在前面的候选是描述最重要子事件的。通过在Hurricane Harvey和2015 Nepal Earthquake这两个真实数据集上的实验证明了这篇论文提出的框架取得了最佳性能。

  量子逻辑门综合作为马尔可夫决策过程

论文名称：Quantum Logic Gate Synthesis as a Markov Decision Process

作者：Alam M. Sohaib

发表时间：2019/12/27

论文链接：https://paper.yanxishe.com/review/7949

推荐理由：强化学习见证了量子编程中各种任务的最新应用。基本假设是，这些任务可以建模为马尔可夫决策过程（MDP）。

本文中，作者通过探索该假设对量子编程中两个最简单的任务的影响来研究该假设的可行性：状态准备和门编译。通过形成离散的MDP，仅专注于单量子位的情况，就可以通过策略迭代来精确求解最优策略。作者找到了与门的最短可能序列相对应的最佳路径，以准备状态或编译门，达到某种目标精度。例如，作者发现长度为11的H和T门的序列对于（HT）^ {n} | 0>形式的状态产生约99％的保真度，其值最大为n = 10 ^ {10}。。这项工作提供了有力的证据，说明强化学习可以用于较大的量子位空间的最佳状态准备和门编译。

  用于计算组织病理学的深度神经网络模型：一项调查

论文名称：Deep neural network models for computational histopathology: A survey

作者：Srinidhi Chetan L. /Ciga Ozan /Martel Anne L.

发表时间：2019/12/28

论文链接：https://paper.yanxishe.com/review/7950

推荐理由：组织病理学图像包含丰富的表型信息，可用于监测促成疾病进展和患者生存结果的潜在机制。

最近，深度学习已成为分析和解释癌症组织学图像的主流方法论选择。在本文中，作者对组织病理学图像分析中使用的最新深度学习方法进行了全面回顾。通过对130余篇论文的调查，作者根据不同机器学习策略的方法论方面（例如有监督，弱监督，无监督，迁移学习和这些方法的其他子变量）回顾了领域的进展。作者还概述了适用于特定疾病的预后任务的基于深度学习的生存模型。最后，其总结了几个现有的开放数据集，并重点介绍了当前深度学习方法的关键挑战和局限性以及未来研究的可能途径。

  拓展阅读

由于篇幅有限，剩余五篇的论文推荐精选请扫描下方二维码继续阅读——

• 利用特征去样式化识别Instagram过滤图像

  论文名称：Recognizing Instagram Filtered Images with Feature De-stylization

• TextScanner：读取字符以实现健壮的场景文本识别

  论文名称：TextScanner: Reading Characters in Order for Robust Scene Text Recognition

• 猜测随机加性噪声解码的有序可靠性比特

  论文名称：Ordered Reliability Bits Guessing Random Additive Noise Decoding

• 发布计算研究-审查可重复且透明的学术交流的基础架构

  论文名称：Publishing computational research -- A review of infrastructures for reproducible and transparent scholarly communication

• 让我们分享：移动边缘云中资源共享的博弈论框架

  论文名称：Let's Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds

（扫码直达，可直接跳转下载论文）

点击“阅读原文” 前往 AI 研习社下载论文