Paper 研习社本周论文推荐精选

①

#计算语言学# 

《一种微博事件检测中联合关键词发现和期望估计的方法》

推荐理由 ：

诸如Twitter之类的微博平台越来越多地用于事件检测。现有方法主要使用机器学习模型，并依赖与事件相关的关键字来收集数据以进行模型训练。这些方法对包含关键字的相关微博的分布进行了强有力的假设-称为分布的期望-并将其用作模型训练期间的后验正则化参数。

但是，由于这些方法无法可靠地估计关键字的信息性及其对模型训练的期望，因此受到了限制。本文介绍了一种Human-AI循环方法，以在发现模型预期信息的同时共同发现信息性关键词。

作者的方法迭代地利用人群来估计关键字的特定期望以及人群与模型之间的分歧，以发现最有利于模型训练的新关键字。这些关键字及其期望不仅可以改善结果性能，还可以使模型训练过程更加透明。作者在多个真实数据集上从准确性和可解释性方面经验证明了其方法的优点，并表明其方法将现有技术水平提高了24.3％。

论文 链接：

https://paper.yanxishe.com/review/7405?from=leiphone

推荐人 ：IloveNLP（华东师范大学计算机科学与技术系，中国科学院大学  客座学生）

②

#知识图谱#

《用于图像超分辨率的高效剩余稠密块搜索》

推荐理由 ：

知识图是各种自然语言处理应用的有用资源。以前的KG完成方法需要大量的训练实例。实际情况是，对于大多数关系，很少有实体对可用。现有的一次学习工作限制了对少量场景的方法泛化，没有充分利用监督信息;然而，目前对小丸KG完井的研究还不多。

本文提出了一个新的少镜头关系学习模型(FSRL)，旨在发现新的关系与少镜头参考的事实。FSRL可以有效地从异构的图结构中获取知识，聚合少量引用的表示，并为每个关系匹配相似的实体对引用集。在两个公共数据集上的大量实验表明，FSRL的性能优于最先进的技术。

论文链接 ：

https://paper.yanxishe.com/review/7295?from=leiphone

推荐人 ：明明知道（碁震  数据工程师）

③

#计算机视觉 #

《AI雷达传感器：基于生成对抗网络创建雷达深度探测仪图像》

推荐理由 ：

这篇论文要解决的是雷达图像生成的问题。

雷达数据集的收集非常昂贵，例如在南北极的野外工作中。这篇论文首次提出了基于生成对抗网络创建雷达测深仪影像的想法。具体来说，这篇论文评估了CycleGAN合成雷达图像用于数据增强的性能，并且对合成对合成数据以及真实和合成数据的不同组合测试了最新轮廓检测算法的质量。这篇论文表明，由生成对抗网络生成的合成雷达图像可与真实图像结合使用，以进行数据增强和深度神经网络训练。但是，GAN生成的合成图像不能仅用于训练神经网络（合成训练和实测），因为它们不能模拟所有雷达特征，例如噪声或多普勒效应。

这篇论文首次将生成对抗网络引入雷达深度探测仪图像相关的领域中，并且展示了一些正面的应用结果，可以鼓励后续的研究。

论文链接 ：

https://paper.yanxishe.com/review/7402?from=leiphone

推荐人 ：阿诺德•普里

④

#深度学习# 

《转移注意力机制适应特定领域》

推荐理由 ：

1.主要解决问题：

领域适应方面的最新工作为不同领域建立了桥梁通过对抗性学习领域不变表示不能由域区分符区分。现有的对抗域适应方法主要是对齐源域和目标域中的全局映像。但是，很明显，并非图像的所有区域都是可转移的，而强制对齐不可转移的区域可能会导致负转移。此外，一些图像在各个域之间有很大的不同，导致图像级可传递性。

2.创新点：

提出了领域适应的可转移注意力（TADA），重点是可转移区域或图像上的适应模型。我们实现了两种互补的可转移注意力：由多个区域级别产生的可转移的本地注意力域标识符以突出显示可转让区域，以及由单个图像级别产生的可转移的全球注意力域识别符，以突出显示可传输的图像。大量实验验证了我们提出的模型已经超过标准域适应数据集的最新结果。换句话说，每个图像作为一个整体在不利用的情况下被认为是可以转移的还是不可以转移的其细粒度的结。更多现实的考虑是，图像的丰富结构应该进一步利用以实现细粒度的传输。我们也应该能够推断出图像是可转让的，而不能转让。这种观察是出于人类学习的动机：一个人学会在图像背后传递知识，他将主要参加类似的结构（在其他字，可以转移）到他感兴趣的目标任务。就这样人类的注意力机制不仅仅是关注对象，而是更多地关注对推理其特定目标任务有用的对象。

3.未来工作（影响）

这种研究了两种类型的互补可转移注意力：由多个区域级域标识符生成的局部注意力以突出可转移区域，以及由单个图像级域标识符生成的全局注意力以突出可转移图像。 综合实验表明，该方法的性能优于现有技术是在标准域适应数据集上得出的。

论文链接 ：

https://paper.yanxishe.com/review/7294?from=leiphone

推荐人 ：hm（香港城市大学  计算机科学）

⑤

#知识图谱#  #计算语言学#

《基于超平面翻译的知识图嵌入》

推荐理由 ：

核心问题：虽然TransE模型具有训练速度快、易于实现等优点，但是它不能够解决多对一和一对多关系的问题。以多对一关系为例，固定r和t，TransE模型为了满足三角闭包关系，训练出来的头节点的向量会很相似创新点：本文提出一种将头尾节点映射到关系平面的TransH模型，能够很好地解决这一问题。

论文链接 ：

https://paper.yanxishe.com/review/7407?from=leiphone

推荐人 ：magic（燕山大学 计算机科学与技术）

✎✎✎

除了上述的的五篇精选论文推荐，我们还为你精心准备了可以一键下载的论文集：

NeurIPS 2019 1422篇  论文合集

下载地址： https://www.yanxishe.com/resourceDetail/1113?from=leiphone

NeurIPS 2019 Oral 36篇

下载地址： https://paper.yanxishe.com/packages/290?from=leiphone

NIPS2019 深度强化学习论文集 61篇

下载地址： https://paper.yanxishe.com/packages/289?from=leiphone

ICCV 2019 | 最新公开的51篇 Oral Paper 合集

下载地址： https://www.yanxishe.com/resourceDetail/1010?from=leiphone

EMNLP 2019 | 10篇论文实现代码合集及下载

下载地址： https://www.yanxishe.com/resourceDetail/1013?from=leiphone

NeurIPS 2019 GNN 论文合集

下载地址： https://www.yanxishe.com/resourceDetail/1006?from=leiphone

AAAI （1996-2019）历年最佳论文合集

下载地址： https://www.yanxishe.com/resourceDetail/991?from=leiphone

快来下载试试吧！

想要阅读更多精彩论文？

点击阅读原文跳转  paper.yanxishe.com