每日论文 | 句子嵌入在医疗问答系统中的作用；不用传感器进行场景深度估计；用机器学习解决多种优化问题

1

Exploiting Sentence Embedding for Medical Question Answering

词嵌入已经有了不错的成果，但是句子嵌入仍然是待解决的问题。在这篇文章中，我们提出了一种监督式学习框架，研究医疗问题的问答任务中，句子嵌入的问题。该学习框架包含两个主要部分，一个是句子嵌入生产模块，另一种是计分模块。前者处理语境中的自我注意力和多种尺度，将句子编码进嵌入张量中。后者使用两种计分策略：语义匹配计分和语义联系计分。

地址：https://arxiv.org/abs/1811.06156

2

Depth Prediction Without the Sensors: Leveraging Structure for Unsupervised Learning from Monocular Videos

对室内室外的机器人来说，通过RGB输入衡量场景的深度是一个挑战性任务。在这篇文章中，我们用非监督学习方法解决了场景深度问题。我们提出了一种新方法，可以生成高质量结果，可以模拟移动物体。通过模拟场景和单独目标，在学习过程中生成几何结构。用单镜视频学习相机本身的移动和目标物体的移动。最终这一方法超过了所有现有最优技术。

地址：https://arxiv.org/abs/1811.06152

3

Machine Learning for Combinatorial Optimization: a Methodological Tour d'Horizon

这篇论文研究了最近机器学习和研究领域的优化方法的结合，即用机器学习解决多种优化方法。目前很多决策算法要么需要大量计算时间，要么没有清晰的数学定义。这篇文章的主要目的就是将生成优化问题看成是数据点，研究与目标任务相关的都有哪些问题。

地址：https://arxiv.org/abs/1811.06128