来源：PaperWeekly
本文约2200字，建议阅读10分钟。
本文为大家先容了关于AI的15篇新鲜论文。
1. Sliced Recurrent Neural Networks
@Ttssxuan 推举
#Recurrent Neural Networks
本文是上海交大揭橥于 COLING 2018 的事情，论文提出了一种对 RNN 进行加速的方法，相对标准 RNN 其可以加速达到 136 倍，如果针对长序列，可以得到更大的加速比，此外从数学上证明了，RNN 是 SRNN 的一个特例。
SRNN 把 RNN 序列分成每份 K 份，这样每份可以各自运行（并行），得到长度为 N 的新序列，后续可以新序列上连续如上操作，一贯到序列长度即是 1 或知足需求。通过在 6 个较大规模的情绪分类数据集上测试，比较于 RNN，SRNN 都取得很大的性能上风。
论文链接：
https://www.paperweekly.site/papers/2143
源码链接：
https://github.com/zepingyu0512/srnn
2. SentEval: An Evaluation Toolkit for Universal Sentence Representations
@pwathrun 推举
#Sentence Representations
SentEval 是 Facebook AI Research 推出的一个用于测评 Sentence representation model 性能的 framework。个中自定义了至少 13 个任务（后续有添加），任务数据包括了文本文类，文本相似性检测，NLI，图片择要的任务。其着眼点是目前 NLP 领域内不同模型的跑分不能很好的进行复现，进而导致横向比较模型性能比较困难的痛点。
任何已演习的模型都已放在 SentEval 框架内，SentEval 会利用目标任务来对供应的模型进行测试，由于测试环境统一，以此得到的评测结果可以和其它的模型的测试分数进行统一的比较，而不是只是比较论文中的纸面数据，有利于复现干系模型的真实性能，而且是干系模型针对不同 NLP 任务的性能。
详细实现是通过自定义和修正 SentEval 的固定命名方法（batcher ()，prepare ()等）使得 SentEval 可以将目标任务的文本导入模型，得到向量输出，进而进行干系任务的比较。比如文本分类便是得到向量输出之后演习一个分类器来比较分类的准确率。
论文链接：
https://www.paperweekly.site/papers/2105
源码链接：
https://github.com/facebookresearch/SentEval
3. Learning Chinese Word Representations From Glyphs Of Characters
@mwsht 推举
#Chinese Word Representations
本文是台湾大学揭橥于 EMNLP 2017 的事情，论文提出了一种基于中笔墨符图像的 embedding 方法，将中笔墨符的图像输入卷积神经网络，转换成为词向量。由于中文是象形笔墨，这样的词向量能够包含更多的语义信息。
论文链接：
https://www.paperweekly.site/papers/2141
4.Competitive Inner-Imaging Squeeze and Excitation for Residual Network
@superhy 推举
#Residual Network
本文来自华南理工大学，论文在 SE-Net（Squeeze-Excitation）的根本上，根据已有的残差映射作为恒等映射的一种补充建模的论点，提出了残差和恒等流进行竞争建模共同决定 channel-wise attention 输出的改进，使得恒等流能自主参与对自身补充的权重调控。
其余，本文针对网络中间特色的精髓精辟建模任务，提出了对 channel squeezed 特色进行重成像，将各个信道的 global 特色重组为一张新的 feature map，并利用卷积（21，11 两种）操作完成对重组特色图的建模，以此学习来自残差流和恒等流所有 channels 的信道关系信息，将之前的分别建模 chanel-wise 关系；再合并建模残差映射和恒等映射竞争关系，这样两步领悟为建模综合信道关系一步；
称这一机制为 CNN内部特色的重成像（Inner-Imaging），探索了一种新的，考虑位置关系的，利用卷积进行 SE（channel-wise attention）建模的 CNNs 设计方向。
本文实验在 CIFAR-10，100，SVHN，ImageNet2012 数据集上进行，验证了提出方法的有效性，并创造提出方法对较小规模网络的潜力挖掘浸染，使其能用更少的参数达到乃至超越原来更大网络才能达到的效果。
论文链接：
https://www.paperweekly.site/papers/2161
源码链接：
https://github.com/scut-aitcm/CompetitiveSENet
5. TequilaGAN: How to easily identify GAN samples
@TwistedW 推举
#GAN
本文来自 UC Berkeley，GAN 天生的样本在视觉方面已经达到与真实样本很附近的程度了，有的天生样本乃至可以在视觉上欺骗人类的眼睛。区分天生样本和真实样本当然不能大略的从视觉上去剖析，TequilaGAN 从图像的像素值和图像规范上区分真假样本，证明了真假样本具有在视觉上险些不会被把稳到的属性差异从而可以将它们区分开。
论文链接：
https://www.paperweekly.site/papers/2116
6. SemStyle: Learning to Generate Stylised Image Captions using Unaligned Text
@born2 推举
#Image Caption
本文提出了一个 caption 数据库，特点是能够天生故事性的描述句子。相对付传统一般的 caption 任务，这个新提出的任务，天生的句子更具有故事性的特色，而不是纯挚无感情的描述。为理解决这个问题，首先须要构建一个数据库，相对付一样平常的须要人工标记的数据库而言，这里采取无监督的办法，直策应用一些既有的自然措辞处理的技能来办理这个问题。
作者提出了一套框架，以此来构建从传统的句子到故事性句子的映射。为了方便演习和解决这个问题，作者提出两段式的演习，从图像到关键词，再从关键词到故事性的句子，避免了标注，方便了演习，值得一读。
论文链接：
https://www.paperweekly.site/papers/2160
源码链接：
https://github.com/computationalmedia/semstyle
7. Log-DenseNet: How to Sparsify a DenseNet
@mwsht 推举
#DenseNet
本文是 CMU 和微软揭橥于 ICLR 2018 的事情，DenseNet 是 ResNet 的改进，本文在 DenseNet 的根本上提出了一种较为靠近的但同时更少连接数目的 skip connecting 的方法：选择性地连接更多的前几个层，而不是全部连接。相较于 DenseNet，本文拥有更少的连接数目，较大幅度地减少了打算量，但同时拥有较为靠近的 performance。
论文链接：
https://www.paperweekly.site/papers/2103
8. Training Neural Networks Using Features Replay
@jhs 推举
#Neural Networks
本文来自匹兹堡大学，论文提出了一种功能重播算法，对神经网络演习有更快收敛，更低内存花费和更好泛化偏差。
论文链接：
https://www.paperweekly.site/papers/2114
9. Learning to Ask Good Questions: Ranking Clarification Questions using Neural Expected Value of Perfect Information
@paperweekly 推举
#Question Generation
本文是马里兰大学揭橥于 ACL 2018 的事情，论文基于完备信息期望值（EVPI，expected value with perfect information）架构构建了一个用于办理澄清问题排序的神经网络模型，并利用问答网站“StackExchange”构建了一个新的三元组（post, question, answer）数据集，用于演习一个能根据提问者所提出的问题来给出澄清问题的模型。
论文链接：
https://www.paperweekly.site/papers/2146
源码链接：
https://github.com/raosudha89/ranking_clarification_questions
10. NCRF++: An Open-source Neural Sequence Labeling Toolkit
@PatrickLiu 推举
#Sequence Labeling
本文紧张先容了神经网络序列标注工具包“NCRF++”。NCRF++ 被设计用来快速实现带有 CRF 推理层的不同神经序列标注模型。用户可以通过配置文件灵巧地建立模型。工具包利用 PyTorch 实现。阐明该工具包架构的论文已被 ACL 2018 作为 demonstration paper 接管，即本篇论文。 利用 NCRF++ 的详细实验报告和剖析已被 COLING 2018 接管。
论文链接：
https://www.paperweekly.site/papers/2138
源码链接：
https://github.com/jiesutd/NCRFpp
11.SEE: Towards Semi-Supervised End-to-End Scene Text Recognition
@jxlxt 推举
#Object Recognition
本文设计了一个端到真个半监督文本检测和识别模型，通过在 SVNH 和 FSNS 数据集上验证了该模型的 work。文章的模型不须要供应文本检测的 bounding box 只须要供应精确的 label，然后通过预测偏差反向传播改动文本检测结果。
端到真个模型 loss 设计困难，常日识别只专注于文本检测或文本识别，但本文利用了 STN 来进行文本检测结合 ResNet 进行识别。先通过 STN 检测文当地位，输出特定区域的文本图片后再通过 CNN 识别文本。
论文链接：
https://www.paperweekly.site/papers/2113
源码链接：
https://github.com/Bartzi/see
12. Inferring Semantic Layout for Hierarchical Text-to-Image Synthesis
@jamiechoi 推举
#Image Synthesis
本文是密歇根大学和 Google Brain 揭橥于 CVPR 2018 的事情，论文首先从笔墨用一个 box generator 预测出物体种别所在的 bounding box 的位置，然后用 shape generator 在 box 的根本上天生更细腻的 mask，末了把 mask 和笔墨信息运送到 image generator 进行图片的天生。
论文链接：
https://www.paperweekly.site/papers/2112
13. Deep Inductive Network Representation Learning
@xuzhou 推举
#Network Representation Learning
本文是由 Adobe Research、Google 和 Intel Labs 揭橥于 WWW ’18 上的事情，论文提出了通用的归纳图表示学习框架 DeepGL，DeepGL 具有多种上风，对今后的研究具有一定的参考意义。
论文链接：
https://www.paperweekly.site/papers/2151
14. Multi-Cast Attention Networks for Retrieval-based Question Answering and Response Prediction
@paperweekly 推举
#Attention Mechanism
本文是南洋理工大学揭橥于 KDD 2018 的事情，论文在问答和对话建模方向为各种检索和匹配任务提出了一个通用神经排序模型。该模型在神经网络模型的根本上引入了 attention 机制，不再仅仅将 attention 作为 pooling 操作，而是将其作为一种特色增强方法。
论文链接：
https://www.paperweekly.site/papers/2159
15. Modeling Polypharmacy Side Effects with Graph Convolutional Networks
@xuehansheng 推举
#Bioinformatics
本文来自斯坦福大学，论文将 Graph Convolution Neural Network 运用于药物副浸染研究中。本文提出了一种通用的多关联链路预测方法——Decagon，该方法可以运用于任何多模态网络中，能够处理大量边缘类型的多模态网络。
论文链接：
https://www.paperweekly.site/papers/2127
源码链接：
https://github.com/Bartzi/see