Paper 研習社本周論文推薦精選 | 第十二期

①

#計算語言學# 

《選擇，回答和解釋：可解釋的對多文檔多跳閱讀理解模型》

推薦理由：

具有可解釋性的多個文檔多跳閱讀理解是一個具有挑戰性的問題，因為它要求對多個信息源進行推理，并通過提供支持證據來解釋模型答案的預測。

在本文中，作者提出了一種有效且可解釋的選擇、回答和解釋（SAE）系統，以解決多文檔閱讀理解問題。我們的系統首先過濾出與答案無關的文檔，從而減少了干擾信息的數量。這是通過訓練了一個文檔過濾器而實現的，該過濾器通過pairwise排序模型學習。然后將選定的與答案相關的文檔輸入模型，以共同預測答案和支持的事實語句。在token級別（用于答案預測）和句子級別（用于支撐事實的預測）通過多任務學習目標對模型進行了優化，并且在這兩個任務之間使用注意力機制進行交互。我們在具有挑戰性的多跳閱讀理解數據集HotpotQA上進行評估，與排行榜上的其他現有系統相比，我們提出的SAE系統在實現了頂級競爭性能。 

動機：現有的多文檔多跳問題的QA方法中存在以下幾點問題：1、很少有人關心答案預測的可解釋性：挑戰是多文檔多跳閱讀理解問題的支撐證據可能會分散在很長的文檔中或者多個文檔中。2、幾乎很少方法設計一個文檔過濾器來去除不相關文檔并減少所需要的信息：幾乎所有現有的方法都是直接在全部文檔拼接或分別單獨處理，但是事實上沒有考慮到大多數文檔和問題是不相關的并不會幫助模型尋找答案。3、盡管有很多方法使用GNN在實體圖上進行推理，但這只可能存在于任務中已經預先定義好了一個實體集，否則需要借助NER工具來抽取實體，這會導致用圖推理產生冗余和噪聲，而且如果答案不是實體，還需要進一步的處理。 

做法：為了解決上述問題，本文提出了一種SAE模型來解決多文檔多跳閱讀理解任務，主要貢獻如下：1、設計了一個文檔選擇模塊，該模塊基于多頭自注意力機制捕獲不同文檔之間的交互信息，并設計了一個新穎的pair-wise排序損失函數加強模型準確找出gold doc。2、模型能同時預測答案和支撐證據。基于句子表示建立了多跳的推理graph，直接輸出支撐證據和答案。3、在GNN抽取句子表達時采用了一種混合注意力pooling的機制，注意力權重是由答案片段的logits和每個token自注意力機制的輸出進行......（點擊下方鏈接查看全文）

PS.這篇論文推薦是上周熱點榜首，借此機會推薦給各位品讀。

論文鏈接：

https://paper.yanxishe.com/review/6374

推薦人：IloveNLP（華東師范大學計算機科學與技術系，中國科學院大學  客座學生）

②

#機器學習# #圖像處理#

《用于圖像超分辨率的高效剩余稠密塊搜索》

推薦理由：

盡管由于深度卷積神經網絡的復興，單圖像超分辨率取得了顯著進步，但深度學習方法在實踐中尤其是對于移動設備面臨著計算和內存消耗的挑戰。針對這個問題，本文提出了一種高效的多目標殘差密集塊搜索算法，用于尋找快速、輕量級、精確的超分辨率圖像網絡。

1、利用所提出的高效剩余稠密塊充分利用特征尺度的變化來加速超分辨網絡。該算法自動搜索池和上采樣算子的位置。

2、在塊積分的引導下演化網絡結構，獲得精確的超分辨率網絡。

實驗結果證明了所提出的搜索方法的有效性，發現的高效超分辨率模型的性能優于目前最先進的方法。

論文鏈接：

https://paper.yanxishe.com/review/6766

推薦人：明明知道（碁震  數據工程師）

③

#人工智能#

《用于交互式小說的深度強化學習的算法改進》

推薦理由：

基于文本的游戲是深度強化學習算法的一個挑戰領域。它們的狀態和動作空間的組合性很大，它們的獎勵函數很稀疏，并且它們只有部分是可觀察到的：主體通過文本反饋得知其動作的結果。

在本文中，作者強調了最后這一點，并考慮了設計可以僅從反饋中發揮作用的深度強化學習智能體。作者的設計認可并利用了基于文本的游戲的結構特征。

作者首先提出一種基于累積獎勵的情境化機制，該機制簡化了學習問題并減輕了部分可觀察性。然后，根據Zahavy等人關于允許行為的想法，研究了依賴于大多數動作在任何給定情況下都是無效的這一觀念的一些方法。作者在基于TextWorld框架的一系列基于文本的高難度的游戲以及標志性游戲ZORK中對這些技術進行了評估。從經驗上，作者發現這些技術提高了應用于基于文本的游戲的基線深度強化學習代理的性能。 在也稱為交互式小說（IF）的基于文本的游戲中，智能體通過自然語言界面與其環境進行交互。 動作由簡短的文本命令組成，而觀察則是描述這些動作結果的段落。 最近，交互式小說已成為AI技術的重要挑戰（Atkinson等人2018），這在很大程度上是因為該類型將自然語言與序列決策結合在一起......（點擊下方鏈接查看全文）

論文鏈接：

https://paper.yanxishe.com/review/6765

推薦人：IloveNLP（華東師范大學計算機科學與技術系，中國科學院大學  客座學生）

④

#圖像處理# 

《任意姿勢下的無人監督圖像合成》

推薦理由：

一 .可以使用GAN模型生成任意姿勢下的人的新圖像，該模型可以完全不受監督的方式進行訓練。迄今為止，這僅是通過監督解決了該問題的最新技術。為了解決這一挑戰，作者提出了一個新的框架，該框架通過優化僅依賴于輸入圖像和渲染圖像的損失函數來規避訓練數據的需求，旨在保留原始圖像的樣式和語義內容。 DeepFashion [15]數據集上的定量和定性評估顯示了非常有希望的結果，即使對于與輸入姿勢有很大不同并且需要將圖像的大部分幻覺化的新的身體姿勢也是如此。將來，作者計劃在野外無法監督的其他數據集中（不僅是人類）進一步開發他的方法 。

二 . 主要貢獻：（loss funtion的設計） 

1. Image Adversarial Loss：即傳統 GAN 的 loss； 2. Pose Loss：pose 差異，生成后的圖片再用 OpenPose 提取 pose 信息做差值； 3. Identity Loss：此為關鍵，又分為兩部分，分別是 content 和 style loss，其中 content 用于保證生成圖和原圖在某 pretrain model 生成的 feature map 一致， style 則是利用 Gram matrix 生成某種 feature map，然后作比對。

論文鏈接：

https://paper.yanxishe.com/review/6862

推薦人：hm（香港城市大學  計算機科學）

⑤

#計算機視覺# #模式識別#

《基于AU感知注意的E2膠囊神經網絡人臉表情識別》

推薦理由：

這篇論文要解決的是面部表情識別的問題。

傳統的膠囊神經網絡不能在膠囊間的動態路由過程前有效提取特征。為了解決這個問題，這篇論文提出一個名為E2-Capsnet的雙重增強膠囊神經網絡。

E2-Capsnet利用膠囊間的動態路由，并有兩種增強模塊：第一個模塊用到了使用動作單元注意力機制的卷積神經網絡，用來獲取面部的動態區域；第二個模塊是多卷積層的膠囊網絡模塊，用來增強特征表示的能力。在RAF-DB和EmotioNet這兩個基準數據集上的實驗證明了E2-Capsnet的有效性。這篇論文的研究意義在于拓展了傳統的膠囊神經網絡，使得其在面部表情識別相關的問題上展現了更多的應用潛力。

論文鏈接：

https://paper.yanxishe.com/review/6761

推薦人：溫蒂?斯普林

???

除了上述的的五篇精選論文推薦，我們還為你精心準備了可以一鍵下載的論文集：

NeurIPS 2019 1422篇 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1113

NeurIPS 2019 Oral 36篇

下載地址：https://paper.yanxishe.com/packages/290

NIPS2019 深度強化學習論文集 61篇

下載地址：https://paper.yanxishe.com/packages/289

ICCV 2019 | 最新公開的51篇 Oral Paper 合集

下載地址：https://www.yanxishe.com/resourceDetail/1010

EMNLP 2019 | 10篇論文實現代碼合集及下載

下載地址：https://www.yanxishe.com/resourceDetail/1013

NeurIPS 2019 GNN 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1006

AAAI （1996-2019）歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/991

快來下載試試吧！

想要閱讀更多精彩論文？

點擊閱讀原文跳轉 paper.yanxishe.com