每日论文 | 在球形隐藏空间上进行变分自动编码；用奖励改善多跳知识图谱推理；用高效嵌入实现零次学习

1

Spherical Latent Spaces for Stable Variational Autoencoders

变分自编码器（VAE）在文本处理时的一个特点就是强大的编码器和解码器模型的结合，例如LSTM，只有简单的隐藏式分布。这些模型都有一个困难的优化问题，即有一个不良的局部最优值，其中变分后验总是等于先验，模型根本不使用隐藏变量。在这篇论文中，我们用另一种方法代替隐藏变量，称为von Mises-Fisher分布（vMF），将质量放在超球面单位的表面上。我们证明用这种方法不仅避免了KL崩溃，而且能在多种模型条件下给出更好的可能性。

地址：https://arxiv.org/abs/1808.10805v1

2

Multi-Hop Knowledge Graph Reasoning with Reward Shaping

多跳推理在知识图谱的问答问题中是一种高效的方法，可以通过强化学习设置进行表示，其中基于策略的智能体可以不断推理，直到到达目标。然而，一个未完成的知识图谱环境中，智能体经常会由于训练数据中的漏报接收到低质量的奖励，由此会损害测试中的泛化效果。所以我们提出了采用预训练过的单跳嵌入模型来估计奖励。

地址：https://arxiv.org/abs/1808.10568

3

Towards Effective Deep Embedding for Zero-Shot Learning

零次学习尝试通过虚拟的语义描述识别出从未见过的视觉样本类型，我们假设零次学习的关键是开发一块高效的嵌入空间，其中：1）视觉样本可以根据所属类型紧密地处于语义描述周围；2）不同类别的视觉样本彼此分离。为了这一目的，我们提出了一种简单但是高效的嵌入模型。

地址：https://arxiv.org/abs/1808.10075