Paper 研习社本周论文推荐精选 | 第四期

①

#词嵌入# #自然语言处理#

词和短语的分布表示及其构成

推荐理由：1.本文所解决的核心问题：skip-gram是word2vec中非常经典的一种学习方法，它的核心是通过中心词来预测上下文，但它存在计算效率慢的问题，其核心在于最终的目标函数

如图所示，是它的目标函数是一个softmax的计算，这个计算量和整个数据字典有关，这就导致了当我们通过中心词预测周围词的时候，每预测一次就要完成整个字典级别的softmax的计算量，这显然效率低下。本论文通过一些思想转变，巧妙的将目标函数进行更改，提高了skip-gram的运行效率。

2.本文的创新点：

本论文的核心在于提高skip-gram的运行效率，他提出了几个方法：

第一个方法：分层Softmax

第二个方法：采用负采样的目标函数

第三个方法：常用词的二次抽样

3.本文对于该话题的研究意义：

词嵌入是当今自然语言理解中最核心的领域之一，如何能够更好更快的学习出词向量又是词嵌入的关键点，但是上面的几个方法都不是skip-gram中独家用的，有些方法已经存在，本文从实际问题出发，将skip-gram和一些方法结合，从而解决了最终的问题，这启示我们从目标问题入手，从而解决问题。

论文链接：https://paper.yanxishe.com/review/225?from=leiphonecolumn

项目链接：

https://github.com/huanfengAI/Artificial-Intelligence-Practice-pytorch/blob/master/word_embedding/quick_skip_gram.ipynb

推荐人：幻风magic（燕山大学计算机技术专业，Paper 研习社特约作者）

②

#深度学习#

聆听混沌的低语：新闻导向的股票趋势预测的深度学习框架

推荐理由：本文要解决的问题是如何从各种低质量、充满噪音的新闻和评论中提取有用的信息来提高股票价格预测的表现。

为了解决这个挑战，这篇论文试图模拟人类面对混乱的在线新闻的学习过程的三个原则：顺序内容依赖，多元影响，有效和高效的学习。这篇论文设计了一个混合注意力网络来根据最近相关新闻的顺序来预测股票走势（符合前两个原则）。然后还运用自学的学习机制来选择不同训练阶段使用的训练样本数（符合第三个原则）。

这篇论文贡献了一个目前基于新闻的股票价格预测的基准方法HAN(Hybrid Attention Networks)，之后的研究基本都会跟这篇论文中的模型进行比较。

论文链接：https://paper.yanxishe.com/review/229?from=leiphonecolumn

项目链接：https://github.com/gkeng/Listening-to-Chaotic-Whishpers–Code

推荐人：琴•福克纳（清华大学信息与通信工程专业，Paper 研习社特约作者）

③

#目标检测# #深度学习#

使用伪标签的半监督视频显著目标检测

推荐理由：基于深度学习的视频聚焦区域检测已经超过了大量无监督方法。但是这种方法依赖于大量手动标记的数据。

在本文中，作者使用伪标签来解决半监督视频焦点区域检测问题。

具体地，本文提出了一种视频聚焦区域检测器，其包括空间信息改善网络和时空模块。

基于这样的结构和光流，提出了一种从稀疏标记的帧生成像素级伪标签的方法。使用生成的伪标签和部分手动注释，探测器学习了时空对比度和帧间一致性的线索，从而产生准确的聚焦区域。

实验表明，该方法大大超过了跨多个数据集的现有完全监督方法。

论文链接：https://paper.yanxishe.com/review/233?from=leiphonecolumn

推荐人：望北（重庆邮电大学计算机科学与技术专业）

④

#多模态数据##推荐系统#

一种从多模态数据中提取信息特征的有效方法

推荐理由：Hirschfeld-Gebelein-Rényi（HGR）最大相关性是从多模态数据中提取特征的重要指标。然而，在HGR最大相关性中形式化的严格白化约束限制了其应用。

这篇文章提出了Soft-HGR，该框架可防止HGR最大相关性的严格白化约束，同时还保留与HGR最大相关性相同的特征几何。同时这篇文章提出的指标只涉及两个内积，保证了优化的效率和稳定性。

该模型还可以进一步扩展到处理两种以上模态数据和多模态数据中模态缺失的情形。

论文链接：https://paper.yanxishe.com/review/490?from=leiphonecolumn

推荐人：feima0969（清华大学数据科学，Paper 研习社特约作者）

⑤

#图神经网络# 

PNUNet：异常检测使用正 – 和负噪声基于  自我训练过程

推荐理由：我们提出了在图像异常检测的新框架。我们新的框架，PNUNet，是基于许多正常的数据和一些异常数据。我们假设一些噪声被添加到输入图像，学会删除噪声。此外，所提出的方法实现显著的性能改进通过使用自训练更新所述输入假设噪声框架。为基准数据集上的实验结果表明，我们新的异常检测框架的有效性。

论文链接：https://paper.yanxishe.com/review/673?from=leiphonecolumn

推荐人：摩顿•乔丹

✎✎✎

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：

ICCV 2019 Accepted Paper Full List

下载地址：https://www.yanxishe.com/resourceDetail/1017?from=leiphonecolumn

ICLR 2019 论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1026?from=leiphonecolumn

ACL 历年最佳论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1009?from=leiphonecolumn

ICCV 2019 | 最新公开的51篇 Oral Paper 合集

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

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=leiphonecolumn

NeurIPS 2019 GNN 论文合集

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

AAAI （1996-2019）历年最佳论文合集

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

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 https://paper.yanxishe.com?from=leiphonecolumn

雷锋网(公众号：雷锋网)雷锋网雷锋网