每日论文 | 通过对话推测人物；用格式塔理论理解深度卷积网络；基于随机神经网络的深度学习应用

1

Learning Personas from Dialogue with Attentive Memory Networks

从对话中推测人物的能力在计算机对话描述分析等领域是非常有用的。我们提出，用神经模型学习对话中人物嵌入，模型把IMDb中节选的一小段对话编码成可以捕捉到电影中多种类别任务的表示。同时我们还用先验知识对不同类别进行文字描述。我们用学习到的嵌入寻找不通电影中相似的任务，并通过嵌入的分布对电影进行分类。

地址：https://arxiv.org/abs/1810.08717

2

Understanding Deep Convolutional Networks through Gestalt Theory

深度卷积网络在高维问题上超高的表现使得它们非常受欢迎。虽然用途很广，但是深度卷积网络内在的机制仍然令人迷惑，特别是当我们想进一步改善时，还是主要依靠试错法。这里，我们提出了一种基于格式塔理论的分析方法。格式塔理论规定，视觉感知可以使多个元素之间经过复杂交互的产物。经过研究，我们的结果表明卷积网络符合大部分格式塔原则规定的视觉概念

地址：https://arxiv.org/abs/1810.08697

3

Deep Learning with the Random Neural Network and its Applications

随机神经网络（RNN）是模拟哺乳动物大脑中神经元随机行为的数学模型。它于1989年提出，之后有很多关于RNN的研究和应用，以及学习算法。深度学习在机器学习中已经取得了巨大的成功。最近有人研究了针对深度学习的随机神经网络，想将二者结合。最近的研究结果表明，RNN和深度学习之间的差距可以缩小，基于RNN的深度学习工具速度更快，使用成本也更低。

地址：https://arxiv.org/abs/1810.08653