每日论文 | 用实例边界快速训练Mask R-CNN；多种方法结合提高强化学习可解释性；用端到端模型研究假新闻

1

Faster Training of Mask R-CNN by Focusing on Instance Boundaries

我们提出了一种Mask R-CNN的辅助任务，是一种分割网络实例，它可以让训练掩码头部的速度更快。我们对Mask R-CNN增加的部分是新的预测头部，成为Edge Agreement Head，是受到人类标注者进行实例分割的启发。人类标注者将目标物体的外形复制下来，间接地覆盖在实例区域上。所以，实例掩码的线条在描述该目标物体时是非常有用的。

地址：https://arxiv.org/abs/1809.07069

2

Interpretable Reinforcement Learning with Ensemble Methods

我们提出用激励回归树计算强化学习问题的解决方案能否被人类理解。Boosting结合了多种回归树，提高了它们的精确度，同时并没有减少可读性。此前的研究只关注强化学习和机器学习的可读性，却很少有关于强化学习可解释性的研究。我们的实验表明，激励回归树的计算解决方法即可读，也能达到高质量水平。

地址：https://arxiv.org/abs/1809.06995

3

DeClarE: Debunking Fake News and False Claims using Evidence-Aware Deep Learning

假新闻是当今社会的重要问题之一，自动检测假新闻的研究都是基于监督学习提出的，但是这些方法并不考虑外部证据，只研究训练样本的标签。这篇论文克服了此前研究的局限，用端到端的模型对随机文本进行可信度评估，无需人类协助。它提出了一种神经网络模型，可以从外部文章中几何所有信号。

地址：https://arxiv.org/abs/1809.06416