今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等

会员服务 ·

今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等

2020 年 4 月 10 日 AI科技评论

通过强化学习对抽取的摘要进行排序

论文名称：Ranking Sentences for Extractive Summarization with Reinforcement Learning

作者：Shashi Narayan

发表时间：2018/5/17

论文链接：http://www.aclweb.org/anthology/N18-1158

推荐原因

本文的研究内容以及创新点：

这是一篇关于文本摘要的文章。目前，学术界对于单一文档摘要定义为”保留主要信息内容，同时生成较短版本的文档“，在此背景下，作者把提取文本摘要的任务转化为句子的排序任务，通过强化学习全局优化ROUGE评估指标，开发了一个提取摘要模型，该模型的训练算法在学习优化与当前任务相关的损失函数的同时，对候选摘要的维度进行的研究。实验结果表明，强化学习提供了一种很好的方法，可以指导我们的模型产生信息丰富，流利且简洁的信息。摘要在CNN和DailyMail数据集上的表现均优于已知模型。

用于抽象文本摘要的基于深度递归生成解码器

论文名称：Deep Recurrent Generative Decoder for Abstractive Text Summarization

作者：Piji Li

发表时间：2017/5/11

论文链接：https://www.aclweb.org/anthology/D17-1222.pdf

推荐原因

本文的研究目的和创新点：

本文针对生成文本摘要任务，提出了一种新的模型，该模型的框架依托深度递归生成解码器（DRGN），它是一种面向序列到序列的编/解码器模型。对于DRGN模型而言，他的学习目标是模型中递归潜在的随机隐含信息，通过学习这些随机隐含信息，对于提高生成文本摘要的质量极为重要。最后，作者在基准数据集上进行了大量实验，实验表明，DRGD模型可以有效的解决文本摘要任务。

用于可控图像合成的学习布局和风格的可重构GANs

论文名称：Learning Layout and Style Reconfigurable GANs for Controllable Image Synthesis

作者：Sun Wei /Wu Tianfu

发表时间：2020/3/25

论文链接：https://arxiv.org/abs/2003.11571v1

推荐原因

这篇论文要解决的是布局转图像的问题，即学习一个生成模型，能够通过空间布局信息和样式信息来合成真实图像。这篇论文首先提出了从布局到掩码到图像的任务，即学习如何在输入布局中展开给定边界框的对象掩码，以弥补输入布局与合成图像之间的差距。在此基础上，这篇论文提出了一种基于生成式对抗网络的布局到掩码到图像方法，并在图像和掩模两个层次上进行了风格控制。图像级的样式控制与普通的GANs相同，而对象掩码级的样式控制是通过一种新的特征归一化方案、实例敏感和布图感知归一化来实现的。新方法在COCO-Stuff数据集和可视化基因组数据集上进行了验证，获得了较好的性能表现。

BachGAN：基于显著物体布局的高分辨率图像合成

论文名称：BachGAN: High-Resolution Image Synthesis from Salient Object Layout

作者：Li Yandong /Cheng Yu /Gan Zhe /Yu Licheng /Wang Liqiang /Liu Jingjing

发表时间：2020/3/26

论文链接：https://arxiv.org/abs/2003.11690

推荐原因

这篇论文提出了一个新的问题，即从显著物体布局来生成高质量图像。在这个问题中，用户仅提供物体的布局，即前景边界框和类别，由模型发明背景和匹配前景来完成绘图。为了解决这个问题，这篇论文提出了一个背景幻觉生成对抗网络（Background Hallucination Generative Adversarial Network，BachGAN），首先通过背景检索模块从一个大型候选库中选择一组分割图，然后通过背景融合模块对这些候选布局进行编码，以对给定对象的合适背景进行幻觉处理。通过动态生成幻觉背景表示，BachGAN可以合成具有逼真前景和完整背景的高分辨率图像。在Cityscapes和ADE20K数据集上进行的实验证明了BachGAN在生成图像的视觉保真度及输出图像和输入布局之间的视觉对齐方面优于现有方法。

时间序列分类：近邻vs深度学习模型

论文名称：Time series classification: nearest neighbor versus deep learning models

作者：Weiwei Jiang

发表时间：2020/3/20

论文链接：https://link.springer.com/article/10.1007/s42452-020-2506-9

推荐原因

深度学习方法在图像处理等问题上取得了巨大的成功，然而在一维时间序列分类的问题上，动态时间规整（DTW）算法等传统方法仍然占据着重要的地位。近年来，有不少研究表明全卷积网络、残差网络等深度学习模型在一些时间序列分类问题中也取得了超越传统模型的表现。这篇论文通过在UCR的128个时间序列数据集上全面评估基于8种不同度量的近邻方法和3种不同的深度学习模型，试图回答是否深度学习模型超越了传统的距离度量方法。大量的实验表明，尽管全卷积网络和残差网络的平均准确率优于传统的距离度量方法，在统计检验的视角上这两种方法没有显著优于基于动态时间规整和实补偿编辑距离的方法。