腾讯AI Lab 2019年度论文亮点汇聚

今天腾讯AI lab发布了2019年年度回顾：腾讯 AI Lab 2019 年度回顾

在过去的一年里，腾讯 AI Lab 通过「AI+游戏」与「数字人」探索了人工智能领域两大重要难题：通用人工智能和多模态研究；并取得了显著的进步。同时，我们在医疗、农业、工业、内容、社交等领域都做出了有价值的应用成果，并为「科技向善」做出了贡献。在前沿研究探索中，我们持续发力，在机器学习、强化学习、自然语言处理、计算机视觉和语音技术等方向继续推进，而且我们也通过 AI 领域的顶级会议与论文开放平台分享了我们的探索成果。

数字人研究

[1] 生成对抗网络（Liquid Warping GAN）

https://arxiv.org/abs/1909.12224

行业报告

[1] 《AI与机器人的 42 个大问题》

https://share.weiyun.com/5IM4LFU

[2] 《智能时代的技术伦理观——重塑数字社会的信任》

http://www.cbdio.com/image/site2/20190729/f42853157e261ea8a87f55.pdf

AI+内容

[1] 新一代海量数据搜索引擎 TurboSearch

https://cloud.tencent.com/developer/article/1548031

多模态研究

[1] 使用自注意力和交互注意力模型的视频问答技术

https://www.aaai.org/ojs/index.php/AAAI/article/view/4887

多种通过自然语言来描述视觉内容的新方法：

[2] https://arxiv.org/abs/1805.12589

[3] https://arxiv.org/abs/1811.10787

[4] 一种基于自然语言定位视频中内容的新机制 SCDM

https://papers.nips.cc/paper/8344-semantic-conditioned-dynamic-modulation-for-temporal-sentence-grounding-in-videos

强化学习

[1] 元学习方法 LIIR

https://papers.nips.cc/paper/8691-liir-learning-individual-intrinsic-reward-in-multi-agent-reinforcement-learning

[2] 散度增强的策略优化算法

https://papers.nips.cc/paper/8842-divergence-augmented-policy-optimization

[3] 针对训练数据选择方法的强化学习框架

https://www.aclweb.org/anthology/P19-1189/

自动机器学习

[1]神经网络架构变形器 NAT

https://nips.cc/Conferences/2019/Schedule?showEvent=13305

[2]基于分布的贝叶斯优化算法 DistBO

https://papers.nips.cc/paper/8905-hyperparameter-learning-via-distributional-transfer

[3]通过迁移来自真实图像的知识来引导素描图片识别网络的学习过程

https://www.aaai.org/ojs/index.php/AAAI/article/view/4955

[4]基于渐进式特征对齐的无监督域自适应方法

https://arxiv.org/abs/1811.08585

[5]无标签领域自适应算法

https://link.springer.com/chapter/10.1007/978-3-030-32239-7_40

[6]https://link.springer.com/chapter/10.1007/978-3-030-32254-0_48

[7]协同通道剪枝（Collaborative Channel Pruning ）

http://proceedings.mlr.press/v97/peng19c/peng19c.pdf

[8]用于压缩卷积神经网络（CNN）的方法

http://openaccess.thecvf.com/content_CVPR_2019/papers/Li_Compressing_Convolutional_Neural_Networks_via_Factorized_Convolutional_Filters_CVPR_2019_paper.pdf

其他机器学习方法

[1]DropEdge 方法

https://arxiv.org/abs/1907.10903

[2]图采样算法AS-GCN

https://arxiv.org/abs/1904.12659

[3]复杂社交网络

https://arxiv.org/abs/1904.05003

[4]对抗攻击

https://arxiv.org/abs/1908.01297

[5]元学习算法（HSML）

http://proceedings.mlr.press/v97/yao19b/yao19b.pdf

[6]一种高效的特征提取方法

https://arxiv.org/abs/1811.08979

[7]使用对抗样本的跨模态学习方法（CMLA）

https://papers.nips.cc/paper/9262-cross-modal-learning-with-adversarial-samples

语音

[1]端到端合成建模方案 DurIAN

https://arxiv.org/abs/1909.01700

自然语言处理

[1]结合检索和生成技术的骨架生成技术

https://ai.tencent.com/ailab/nlp/dialogue/papers/EMNLP2019_cd.pdf

[2]离散型变分自编码器（Discrete CVAE）

https://ai.tencent.com/ailab/nlp/dialogue/papers/EMNLP2019_jungao.pdf

[3]一个大规模预训练语言模型

http://arxiv.org/abs/1911.11489

[4]单轮对话数据集

https://arxiv.org/abs/1907.10302

[5]用于多轮对话理解的数据集

https://ai.tencent.com/ailab/nlp/dialogue/papers/EMNLP_zhufengpan.pdf

[6]用于检索加生成技术研究的数据集

https://ai.tencent.com/ailab/nlp/dialogue/papers/EMNLP2019_cd.pdf

[7]自注意力模型改进

https://arxiv.org/abs/1909.02222

[8]篇章翻译

https://arxiv.org/abs/1909.00369

[9]自注意力模型的词序学习能力

https://www.aclweb.org/anthology/P19-1354

[10]多层翻译模型中的词对齐

https://www.aclweb.org/anthology/P19-1124

参考链接：

腾讯 AI Lab 2019 年度回顾

https://mp.weixin.qq.com/s/aieqzR9k9PKK2dNXUcleBw

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看5000+AI主题知识资料