本周值得读：7份最新「Paper + Code」 | PaperDaily #22

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第  22 篇文章

[ 自然语言处理 ]

SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning

@guotong1988 推荐

#Seq2Seq

Text2SQL，根据自然语言生成结构化 SQL 语句。

论文链接

http://www.paperweekly.site/papers/1273

代码链接

https://github.com/xxj96/SQLNet

Dynamic Evaluation of Neural Sequence Models

@utopiar 推荐

#Recurrent Neural Networks

本文提出使用动态评估来改进神经序列模型的性能。 模型通过基于梯度下降的机制适应最近的历史，将以更高概率分配给重新出现的连续模式。动态评估将 Penn Treebank 和 WikiText-2 数据集上的 perplexities 分别提高到 51.1 和 44.3。

论文链接

http://www.paperweekly.site/papers/1279

代码链接

https://github.com/benkrause/dynamic-evaluation

Exploring the Syntactic Abilities of RNNs with Multi-task Learning

@Andy 推荐

#Multi-task Learning

本文主要通过了对一致性预测还有 CCG 超标记进行多任务学习，来展示了如何通过多任务学习，让 RNN 能够学习出更加复杂的句法表达。此外还发现利用一致性预测的训练数据，也可以提高其他只有有限训练数据任务的表现。这样的多任务模型，还可以将语法知识注入进语言模型中去（当然也包括机器翻译）。

论文链接

http://www.paperweekly.site/papers/1235

代码链接

https://github.com/emengd/multitask-agreement

[ 计算机视觉 ]

StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation

@paperweekly 推荐

#GAN

Reddit 热文，利用 GAN 自定义表情和面部特征。StarGAN 是一种全新的可扩展方法，仅使用一个模型就能为多个域执行图像到图像转换。

论文链接

http://www.paperweekly.site/papers/1227

代码链接

https://github.com/yunjey/StarGAN

What is the Role of Recurrent Neural Networks (RNNs) in an Image Caption Generator?

@jamiechoi 推荐

#Image Captioning

文章比较了 RNN 在 image caption 里的两种作用：1. Inject模型：RNN 用来 encode 文字和图片；2. Merge 模型：RNN 只 encode 文字，图片在较后的阶段再与文字信息结合。最后得出结论，Merge 模型较好。

论文链接

http://www.paperweekly.site/papers/1200

代码链接

https://github.com/mtanti/rnn-role

[ 机器学习 ]

Dilated Recurrent Neural Networks

@snowwalkerj 推荐

#RNN

本文提出的 dilated RNN，解决了长程依赖的问题，同时可提高并行率，提高计算速度；提出 Mean Recurrent Length 指标，衡量 RNN 可记忆的时间长度，仅用普通的 RNN 模块在多项任务上达到 state of art 效果。

论文链接

http://www.paperweekly.site/papers/1220

代码链接

https://github.com/code-terminator/DilatedRNN

Multi-Rate Deep Learning for Temporal Recommendation

@Ttssxuan 推荐

#LSTM

使用多种时间粒度进行用户行为预测，并为大量数据提出类似词嵌的预训方法。 使用 DSSM 建模用户静态兴趣，使用一个 LSTM 时序网络建模用户短期兴趣，使用一个 LSTM 时序网络建模全局用户兴趣。

论文链接

http://www.paperweekly.site/papers/1208

代码链接

https://github.com/sonyisme/keras-recommendation

本文由 AI 学术社区 PaperWeekly 精选推荐，社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向，点击「阅读原文」即刻加入社区！

 我是彩蛋 

解锁新功能：热门职位推荐！

PaperWeekly小程序升级啦

今日arXiv√猜你喜欢√热门职位√

找全职找实习都不是问题

 

 解锁方式 

1. 识别下方二维码打开小程序

2. 用PaperWeekly社区账号进行登陆

3. 登陆后即可解锁所有功能

 职位发布 

请添加小助手微信（pwbot01）进行咨询

 

长按识别二维码，使用小程序

*点击阅读原文即可注册

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。