Paper 研习社每日精选论文推荐 12.26

Hi 欢迎来到Paper 研习社每日精选栏目，Paper 研习社（paper.yanxishe.com）每天都为你精选关于人工智能的前沿学术论文供你参考，以下是今日的精选内容——

  目录

Music-oriented Dance Video Synthesis with Pose Perceptual Loss

作者：Ren Xuanchi /Li Haoran /Huang Zijian /Chen Qifeng

发表时间：2019/12/13

论文链接：https://paper.yanxishe.com/review/7839?from=leiphonecolumn_paperreview

推荐理由：作者提出了一种基于学习的姿势感知损失的方法，用于自动音乐视频生成。其方法可以产生逼真的舞蹈视频，该视频符合几乎任何给定音乐的节奏和韵律。为此，作者首先从音乐生成人体骨骼序列，然后将学习到的姿势到外观映射应用于最终视频。在生成骨骼序列的阶段，作者利用两个鉴别器捕获序列的不同方面，并提出一种新颖的姿势感知损失来产生自然舞蹈。此外，我们还提供了一种新的交叉模态评估来评估舞蹈质量，它能够估计音乐和舞蹈两种模态之间的相似性。最后，进行了一项用户研究，以证明通过提出的方法合成的舞蹈视频会产生令人惊讶的逼真的结果。

Black Box Recursive Translations for Molecular Optimization

作者：Damani Farhan /Sresht Vishnu /Ra Stephen

发表时间：2019/12/21

论文链接：https://paper.yanxishe.com/review/7876?from=leiphonecolumn_paperreview

推荐理由：用于生成分子结构的机器学习算法为药物发现提供了一种有希望的新方法。作者将分子优化问题视为翻译问题，目标是将输入化合物映射到具有改善的生化特性的目标化合物。

值得注意的是，当将生成的分子迭代地反馈到翻译器中时，分子化合物的属性随每个步骤而提高。作者证明了这一发现对于翻译模型的选择是不变的，这使其成为“黑匣子”算法。作者将此方法称为黑盒递归翻译（BBRT），这是一种用于分子特性优化的新推理方法。这种简单而强大的技术严格作用于任何翻译模型的输入和输出。作者使用熟悉的序列和基于图形的模型进行简单的替换，从而获得了分子性能优化任务的最新技术成果。相对于其非递归对等体，作者的方法仅通过简单的“ for”循环即可显着提高性能。此外，BBRT具有高度的可解释性，允许用户从已知起点绘制新发现化合物的进化图。

Efficient Online Learning For Mapping Kernels On Linguistic Structures

作者：Giovanni Da San Martino

发表时间：2018/12/26

论文链接：https://paper.yanxishe.com/review/7873?from=leiphonecolumn_paperreview

推荐理由：内核方法是用于学习结构化数据（例如树和图）的流行且有效的技术。它们的主要缺点之一是与对示例进行预测相关的计算成本，这体现在批核方法的分类阶段，尤其是在线学习算法中。在本文中，我们分析了当内核函数是Mapping Kernels的实例时，如何加快预测速度。MappingKernels是为结构化数据指定内核的通用框架，它扩展了流行的卷积内核框架。我们从理论上研究通用模型，得出各种优化策略，并展示如何将其应用于流行的结构化数据内核。此外，我们从语义角色标记任务（这是一种自然语言分类任务，高度依赖句法树）得出可靠的经验证据。结果表明，我们的更快方法可以在基于标准内核的SVM（不能在非常大的数据集上运行）上明显改善。

Combining Fact Extraction and Verification with Neural Semantic Matching Networks

作者：Yixin Nie / Haonan Chen / Mohit Bansal

发表时间：2018/12/12论

文链接：https://paper.yanxishe.com/review/7868?from=leiphonecolumn_paperreview

推荐理由：对错误信息的日益关注刺激了对自动事实检查的研究。最近发布的FEVER数据集引入了基准事实验证任务，其中要求系统使用来自Wikipedia文档的证据语句来验证索赔。在本文中，我们提出了一个由三个同类神经语义匹配模型组成的连接系统，该模型共同进行文档检索，句子选择和要求验证，以进行事实提取和验证。对于证据检索（文档检索和句子选择），不像传统的向量空间IR模型（在某些预先设计的术语向量空间中对查询和来源进行匹配），我们假设没有中间语言，我们开发了神经模型以从原始文本输入执行深度语义匹配术语表示，无权访问结构化的外部知识库。我们还显示了Pageview频率还可以帮助提高证据检索结果的性能，以后可以使用我们的神经语义匹配网络进行匹配。为了进行声明验证，与以前仅将上游检索到的证据和声明提供给自然语言推理（NLI）模型的方法不同，我们通过为NLI模型提供内部语义相关性评分（因此将其与证据检索模块集成）来进一步增强NLI模型和本体的WordNet功能。在FEVER数据集上的实验表明：（1）我们的神经语义匹配方法在所有证据检索指标上都有显着优势，胜过流行的TF-IDF和编码器模型；（2）附加的相关性评分和WordNet功能通过更好的语义改进了NLI模型（3）通过将所有三个子任务形式化为相似的语义匹配问题并在所有三个阶段进行改进，完整的模型能够在FEVER测试集上获得最新的结果。

Efficient Saliency Maps for Explainable AI

作者：Mundhenk T. Nathan /Chen Barry Y. /Friedland Gerald

发表时间：2019/11/26

论文链接：https://paper.yanxishe.com/review/7874?from=leiphonecolumn_paperreview

推荐理由：作者描述了一种与深度卷积神经网络（CNN）结合使用的可解释的AI显着性图方法，该方法比流行的梯度方法更有效。它在数量上也相似并且准确性更高。作者的技术通过测量每个网络规模末端的信息来工作，然后将这些信息组合成一个显着图。我们描述了如何通过利用显着性图顺序等效性来提高显着性度量。最后，我们通过使用信息的层顺序可视化来可视化各个规模/层的贡献。这提供了网络内其他显着性图方法未提供的规模信息贡献的有趣比较。由于作者的方法只需要单次向前通过网络中的一些层，因此它至少比Guided Backprop快97倍，并且精度更高。使用我们的方法而不是Guided Backprop，类激活方法（例如Grad-CAM，Grad-CAM ++和Smooth Grad-CAM ++）将运行速度快几个数量级，显着减少内存占用并提高准确性。这将使此类方法在资源有限的平台（如机器人，手机和低成本工业设备）上可行。这也将大大帮助他们在诸如卫星图像处理之类的数据密集型应用中工作。所有这些都不会牺牲准确性。我们的方法通常很简单，应该适用于最常用的CNN。我们还展示了用于增强Grad-CAM ++的方法的示例。

SAFE: A Neural Survival Analysis Model for Fraud Early Detection

作者：Panpan Zheng / Shuhan Yuan / Xintao Wu

发表时间：2018/12/26

论文链接：https://paper.yanxishe.com/review/7875?from=leiphonecolumn_paperreview

推荐理由：许多在线平台已经部署了反欺诈系统，以检测和防止欺诈活动。但是，在用户实施欺诈行为的时间与用户被平台暂停的时间之间通常存在差距。如何及时发现欺诈者是一个具有挑战性的问题。现有的大多数方法都采用分类器来预测欺诈者，因为他们会随着时间的流逝而活动。分类模型的主要缺点是连续时间戳之间的预测结果通常不一致。在本文中，我们提出了一种基于生存分析的欺诈早期检测模型SAFE，该模型将动态用户活动映射到生存概率，保证生存概率随时间单调下降。SAFE采用递归神经网络（RNN）处理用户活动序列，并在每个时间戳直接输出危险值，然后，利用从危险值得出的生存概率来实现一致的预测。因为我们仅在训练数据中观察到用户暂停时间，而不是欺诈活动时间，所以我们修改了常规生存模型的损失函数以实现欺诈早期检测。在两个真实数据集上的实验结果表明，SAFE不仅优于生存分析模型和递归神经网络模型，还优于最先进的欺诈早期检测方法。

A Finite-Time Analysis of Q-Learning with Neural Network Function Approximation

作者：Xu Pan /Gu Quanquan

发表时间：2019/12/10

论文链接：https://paper.yanxishe.com/review/7871?from=leiphonecolumn_paperreview

推荐理由：具有神经网络功能逼近的Q学习（简称神经Q学习）是最流行的深度强化学习算法之一。尽管在经验上取得了成功，但神经Q学习的非渐近收敛速度实际上仍然未知。在本文中，我们对神经Q学习算法进行了有限时间分析，其中数据是从马尔可夫决策过程生成的，而作用值函数是通过深度ReLU神经网络来近似的。我们证明，如果神经函数逼近器被充分地过参数化，则神经Q学习会找到O（1 /√T）收敛速度的最优策略，其中T是迭代次数。据我们所知，我们的结果是在非i.i.d数据假设下首次进行神经Q学习的有限时间分析。

Pretrained Encyclopedia: Weakly Supervised Knowledge-Pretrained Language Model

作者：Xiong Wenhan /Du Jingfei /Wang William Yang /Stoyanov Veselin

发表时间：2019/12/20

论文链接：https://paper.yanxishe.com/review/7870?from=leiphonecolumn_paperreview

推荐理由：预训练语言模型的最新突破表明，自监督学习对于多种自然语言处理（NLP）任务的有效性。除了标准的语法和语义NLP任务外，预训练的模型还对涉及真实世界知识的任务进行了重大改进，这表明大规模语言建模可能是捕获知识的隐含方法。在这项工作中，我们将进一步研究使用事实完成任务对诸如BERT等预训练模型捕获知识的程度。此外，我们提出了一个简单而有效的弱监督预训练目标，该目标明确迫使模型纳入有关现实世界实体的知识。使用我们的新目标训练的模型在事实完成任务上产生了重大改进。在应用于下游任务时，我们的模型在四个与实体相关的问题回答数据集（即WebQuestions，TriviaQA，SearchQA和Quasar-T）上的性能始终优于BERT，平均改善了2.7 F1，并提供了标准的细粒度实体类型数据集（例如， FIGER），精度提高5.7。

Joint Face Super-Resolution and Deblurring Using a Generative Adversarial Network

作者：Yun Jung Un /Park In Kyu

发表时间：2019/12/22

论文链接：https://paper.yanxishe.com/review/7878?from=leiphonecolumn_paperreview

推荐理由：面部图像超分辨率（SR）是面部图像分析，面部识别和基于图像的3D面部重建的重要预处理。最近的基于卷积神经网络（CNN）的方法通过使用成对的低分辨率（LR）和高分辨率（HR）面部图像来学习映射关系，从而显示出出色的性能。但是，由于使用CNN的HR面部图像重建通常旨在提高PSNR和SSIM指标，因此即使分数很高，重建的HR图像也可能不现实。

在这项研究中作者提出了一个对抗框架，通过同时生成带有和不带有模糊的HR图像来重建HR面部图像。首先，使用五层CNN将LR面部图像的空间分辨率提高八倍。然后，编码器提取放大图像的特征。这些特征最终被发送到两个分支（解码器）以生成带有和不带有模糊的HR面部图像。此外，结合了局部和全局区分符，以专注于HR面部结构的重建。实验结果表明，该算法能够生成逼真的HR面部图像。此外，所提出的方法可以生成各种不同的面部图像。

Dual Space Preconditioning for Gradient Descent

作者：Maddison Chris J. /Paulin Daniel /Teh Yee Whye /Doucet Arnaud

发表时间：2019/2/6

论文链接：https://paper.yanxishe.com/review/7882?from=leiphonecolumn_paperreview

推荐理由：本论文介绍了相对平滑度和相对强凸度的条件，以分析用于凸优化的Bregman梯度方法。在目标函数的凸共轭和设计的双重参考函数之间的对偶空间中，作者引入了具有相对平滑度的完全显式下降方案。

对于在这种双重相对平滑度下的Legendre型凸函数，尽管它是完全明确的，但作者的方案自然保留在域的内部。作者在双重相对强凸度下获得线性收敛，条件数在水平平移下不变。作者的方法是梯度下降的非线性预处理，它可以改善非光滑或非强凸结构问题的显式一阶方法的条件。它展示了如何将该方法应用于p范数回归和指数罚函数最小化。

雷锋网雷锋网雷锋网

相关文章：

Paper 研习社每日精选论文推荐 12.25