自然语言处理
Multi-Task Learning for Speaker-Role Adaptation in Neural Conversation Models
@paperweekly 推荐
多任务学习是个非常流行的研究方法，本文针对对话生成任务，给出了一种 seq2seq+autoencoder 的多任务学习方案，取得了一定的效果。
论文链接
http://www.paperweekly.site/papers/988
Supervised Speech Separation Based on Deep Learning - An Overview
@Synced 推荐
近年来，基于深度学习的监督语音分离发展很快。本文作者对今年相关研究进行概述，介绍了语音分离的背景、监督语音分离的形成和组成部分，从历史的角度叙述了监督语音分离的技术发展过程。本文对监督语音分离的概述还包括分离算法和泛化等问题。
论文链接
http://www.paperweekly.site/papers/992
Multi-Task Label Embedding for Text Classification
@jerryshi 推荐
本文不同于以为文本分类中对待标签或类别的方法，传统方式是对标签进行 one-hot 编码，而该文章的思路是对标签也进行语义表示，从而在标签间获得丰富的信息，以提高最终任务的效果。
论文链接
http://www.paperweekly.site/papers/990
计算机视觉
VisDA: The Visual Domain Adaptation Challenge
@corenel 推荐
domain adaption 领域的一个新的数据集，数据是从仿真到实物的，有分类任务与分割任务两个部分，比较贴近实际项目，值得在发新文章的时候作为实验之一。
论文链接
http://www.paperweekly.site/papers/959
Interpreting CNN knowledge via an Explanatory Graph
@AkiyamaYukari 推荐
通过一个图模型来学习/可视化已经训练好的卷积神经网络中的每一层（中层比较有价值）的每个滤窗（fliter）所学习到的图像特征，在可解释 AI 方面的新的一步。 是作者下一篇文章的铺垫。
论文链接
http://www.paperweekly.site/papers/966
ReLayNet: Retinal Layer and Fluid Segmentation of Macular Optical Coherence Tomography using Fully Convolutional Network
@atomwh 推荐
本文提出了一种新的深度学习网络结构 ReLayNet，用于正常人和 DME 患者的 OCT 图像层次分割。ReLayNet 借鉴 U-Net 的思想，分为下采样和上采样两个步骤，在训练过程中同时使用了交叉熵和 Dice overlap loss 函数进行优化。
实验结果与 5 个 state-of-the-art 的分割方法进行比较，该方法具有更好的表现。而且该文章使用的是公开的数据集，值得做为实现对比的论文。
论文链接
http://www.paperweekly.site/papers/986
机器学习
A Geometric View of Optimal Transportation and Generative Model
@JadeLi 推荐
从使用变分法求解凸几何中亚历山大问题这个视角出发，讨论了最优传输定理与解凸几何问题的联系，从而给了生成式模型一个几何视角来解释与研究。文章将 GAN（主要是基于 WGAN）的训练过程，等效为求最优传输路径，并由此解释了 GAN 很多性能问题。
特别地，文章提出 Wasserstein GAN 中生成器和识别器的竞争理论上不需要，即交替训练没有起作用。并做实验自己的几何方法在 Multiple cluster 时对分布的度量优于 WGAN。
个人觉得本文关于 GAN 的类比过于严厉，但是无论如何，这篇文章对于 GAN 的视角值得关注。鉴于 GAN 一直囿于纳什均衡解的存在性、算法收敛性，以及机器学习本身的黑箱问题，本文从理论角度体现出来的 GAN 的问题也亟待进一步探索。
论文链接
http://www.paperweekly.site/papers/934
A systematic study of the class imbalance problem in convolutional neural networks
@paperweekly 推荐
图像分类问题中多个分类下样本不均衡问题对于 CNN 模型的影响研究。
论文链接
http://www.paperweekly.site/papers/955
原文发布时间为：2017-10-27
本文作者：让你更懂AI的
本文来自云栖社区合作伙伴“PaperWeekly”，了解相关信息可以关注“PaperWeekly”微信公众号
