Paper 研習(xí)社本周論文推薦精選 | 第二期

本文作者： AI研習(xí)社

2019-09-20 16:25

導(dǎo)語(yǔ)：「本周論文推薦精選」是 Paper 研習(xí)社推出的全新欄目，展現(xiàn)社友們?cè)谘辛?xí)論文的過(guò)程中，推薦自己所閱讀到的優(yōu)秀論文。

「本周論文推薦精選」是 Paper 研習(xí)社推出的全新欄目，展現(xiàn)社友們?cè)谘辛?xí)論文的過(guò)程中，推薦自己所閱讀到的優(yōu)秀論文，幫助大家一起學(xué)習(xí)、討論每個(gè)領(lǐng)域最新、最精彩的學(xué)術(shù)論文。

①

#卷積 LSTM# #注意力機(jī)制##seq2seq模型#

CLVSA：一個(gè)基于卷積LSTM和注意力機(jī)制的預(yù)測(cè)金融市場(chǎng)走勢(shì)的變分seq2seq模型

推薦理由：1、本文所解決的核心問(wèn)題：股票市場(chǎng)的預(yù)測(cè)是金融和計(jì)算機(jī)相互交叉的一個(gè)問(wèn)題。近年來(lái)許多研究人員試圖將深度學(xué)習(xí)的算法應(yīng)用于金融市場(chǎng)預(yù)測(cè)中，通過(guò)歷史價(jià)格信息、公司基本面信息、研究報(bào)告文本等輸入數(shù)據(jù)，判斷股票、股指期貨的價(jià)格走勢(shì)。然而由于股票數(shù)量的限制、金融市場(chǎng)中的噪音等原因，在圖像和語(yǔ)音識(shí)別領(lǐng)域大顯身手的深度學(xué)習(xí)模型能否在金融市場(chǎng)上取得同樣的成功還有待人們進(jìn)一步研究。

2、本文的創(chuàng)新點(diǎn)：在這一篇論文中，作者提出了一個(gè)混合模型，將卷積LSTM、注意力機(jī)制和seq2seq模型結(jié)合到一起，通過(guò)5分鐘時(shí)間間隔的原始的價(jià)量信息，預(yù)測(cè)未來(lái)30分鐘之后價(jià)格是否會(huì)上漲還是下跌。在這個(gè)混合模型中，基于KL散度的正則化操作被用于減輕過(guò)擬合。為了驗(yàn)證模型的有效性，作者收集了2010年1月至2017年12月期間，4種商品期貨（原油、黃金、天然氣和大豆）和2種股指期貨（標(biāo)普500和納斯達(dá)克100）的歷史價(jià)量數(shù)據(jù)。通過(guò)滾動(dòng)預(yù)測(cè)的模式（3年時(shí)間作為訓(xùn)練集，2周用于驗(yàn)證和測(cè)試，以1周為步長(zhǎng)滾動(dòng)訓(xùn)練和預(yù)測(cè)），他們驗(yàn)證了這個(gè)混合模型在評(píng)級(jí)準(zhǔn)確率、年化收益率和夏普率上都優(yōu)于單獨(dú)的卷積神經(jīng)網(wǎng)絡(luò)，seq2seq模型和LSTM模型。本文涉及到的數(shù)據(jù)來(lái)自于期貨交易商，作者沒(méi)有放出數(shù)據(jù)。同樣，作者也沒(méi)有放出實(shí)現(xiàn)模型的代碼。

3、本文的研究意義：通過(guò)新模型的提出和驗(yàn)證，推動(dòng)了深度學(xué)習(xí)模型在金融市場(chǎng)預(yù)測(cè)上的應(yīng)用。

論文鏈接：https://www.ijcai.org/proceedings/2019/0514.pdf

推薦人：琴?福克納（清華大學(xué)信息與通信工程，Paper 研習(xí)社特約作者）

②

#計(jì)算機(jī)視覺(jué)#

【大連理工/鵬城/香港城市】MirrorNet：我鏡子呢？

推薦理由一：這是一篇大連理工、鵬城實(shí)驗(yàn)室、香港城市大學(xué)合作的論文，已被ICCV 2019接收。鏡子的反光一直是計(jì)算機(jī)視覺(jué)中一個(gè)令人頭疼的問(wèn)題，而已有的算法尚未考慮它的影響，也因此經(jīng)常被鏡子中反光的圖像迷惑——畢竟鏡子反射的圖像往往和它的周邊環(huán)境又很接近，要讓神經(jīng)網(wǎng)絡(luò)區(qū)分二者實(shí)在是困難。本文則是有史以來(lái)第一篇基于計(jì)算的方式來(lái)處理鏡子語(yǔ)義分割問(wèn)題的工作。作者首先構(gòu)建了一個(gè)大規(guī)模的、涵蓋日常生活各種場(chǎng)景、包含了四千多幅圖像的鏡子分割數(shù)據(jù)庫(kù)——MSD，并提出了一個(gè)用于鏡子分割的網(wǎng)絡(luò)——MirrorNet。MirrorNet使用了上下文對(duì)比特征提?。–CFE）模塊，用于學(xué)習(xí)鏡子里外上下文的對(duì)比，從而分割出各種尺寸的鏡子。實(shí)驗(yàn)表明，使用了CCFE模塊的MirrorNet能夠有效地學(xué)習(xí)這種上下文對(duì)比并在MSD數(shù)據(jù)集上有最佳的分割效果。

推薦人：林肯二百一十三（奈良先端科學(xué)技術(shù)大學(xué)院大學(xué)機(jī)器人視覺(jué)專業(yè)，推薦于 CV 論文討論小組。）

推薦理由二：大連理工、鵬城實(shí)驗(yàn)室和香港城市大學(xué)的研究團(tuán)隊(duì)提出了一種從輸入圖像中分割鏡子的新方法。不僅能夠準(zhǔn)確識(shí)別并分割出場(chǎng)景中的鏡子，還能夠消除由于鏡子反射所導(dǎo)致的對(duì)于場(chǎng)景的錯(cuò)誤理解，并幫助一些計(jì)算機(jī)視覺(jué)任務(wù)（例如深度估計(jì)和目標(biāo)檢測(cè)）提升魯棒性。他們說(shuō)，這是首個(gè)解決鏡子分割的方法，經(jīng)過(guò)大量的實(shí)驗(yàn)表明，性能表現(xiàn)比最先進(jìn)的檢測(cè)和分割方法都要好。

論文鏈接：https://arxiv.org/pdf/1908.09101.pdf

推薦人：志浩（中國(guó)石油大學(xué)(華東) 機(jī)械工程，ICCV 2019頂會(huì)贊助計(jì)劃參與者）

③

#深度學(xué)習(xí)# #卷積網(wǎng)絡(luò)#

ICCV2019 | 修復(fù)視頻，不需要進(jìn)行先驗(yàn)訓(xùn)練，外觀和光流足矣！

推薦理由：本論文來(lái)自斯坦福大學(xué)，為ICCV2019接收論文。文章提出了一種新穎的視頻修復(fù)算法，該算法同時(shí)產(chǎn)生缺失的外觀（appearance）和運(yùn)動(dòng)（光流）信息，這種算法建立在最近提出的“深度圖像先驗(yàn)”（DIP）之上，DIP則是利用卷積網(wǎng)絡(luò)架構(gòu)在靜態(tài)圖像中強(qiáng)制執(zhí)行合理的紋理。在將DIP擴(kuò)展到視頻時(shí)，本文做出了兩個(gè)重要貢獻(xiàn)。首先，作者表明無(wú)需先驗(yàn)訓(xùn)練即可實(shí)現(xiàn)連貫的視頻修復(fù)。其次，作者表明這樣的框架可以共同產(chǎn)生外觀和光流，同時(shí)利用這些互補(bǔ)的方式可以確保相互一致性。

論文鏈接：https://arxiv.org/abs/1909.07957v1

推薦人：賈偉（清華大學(xué)物理學(xué)，Paper 研習(xí)社首席論文推薦官。）

④

#數(shù)據(jù)挖掘#

圖神經(jīng)網(wǎng)絡(luò)完全綜述，來(lái)自Philip S. Yu大佬的鼎力之作

推薦理由：沒(méi)得說(shuō)，這是來(lái)自數(shù)據(jù)挖掘領(lǐng)域的巨擘Philip S. Yu老師的大作！質(zhì)量和深度毋庸置疑。具體就不再展開(kāi)，下面是摘要的中文翻譯：近年來(lái)，深度學(xué)習(xí)徹底改變了許多機(jī)器學(xué)習(xí)任務(wù)，從圖像分類和視頻處理到語(yǔ)音識(shí)別和自然語(yǔ)言理解。這些任務(wù)中的數(shù)據(jù)通常表示在歐幾里德空間中。然而，越來(lái)越多的應(yīng)用程序從非歐幾里德域生成數(shù)據(jù)，并表示為具有復(fù)雜關(guān)系和對(duì)象之間相互依賴性的圖。圖數(shù)據(jù)的復(fù)雜性給現(xiàn)有的機(jī)器學(xué)習(xí)算法帶來(lái)了重大挑戰(zhàn)。最近，出現(xiàn)了許多關(guān)于擴(kuò)展圖形數(shù)據(jù)的深度學(xué)習(xí)方法的研究。在本次調(diào)查中，我們提供了數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域中圖形神經(jīng)網(wǎng)絡(luò)（GNN）的全面概述。我們提出了一種新的分類法，將最先進(jìn)的圖神經(jīng)網(wǎng)絡(luò)劃分為四類，即循環(huán)圖神經(jīng)網(wǎng)絡(luò)，卷積圖神經(jīng)網(wǎng)絡(luò)，圖自動(dòng)編碼器和時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)。我們進(jìn)一步討論了圖神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域的應(yīng)用，并總結(jié)了現(xiàn)有算法在不同學(xué)習(xí)任務(wù)中的開(kāi)源代碼和基準(zhǔn)。最后，我們?cè)谶@個(gè)快速發(fā)展的領(lǐng)域提出了潛在的研究方向。

論文鏈接：https://arxiv.org/abs/1901.00596

推薦人：賈偉（清華大學(xué)物理學(xué)，Paper 研習(xí)社首席論文推薦官。）

⑤

#深度學(xué)習(xí)##網(wǎng)絡(luò)優(yōu)化# #網(wǎng)絡(luò)訓(xùn)練#

【三星】AdaptIS：自適應(yīng)實(shí)例選擇網(wǎng)絡(luò)

推薦理由：這是Samsung AI Center發(fā)表的一篇全景分割論文，已被ICCV 2019接收。本文提出了自適應(yīng)實(shí)例選擇網(wǎng)絡(luò)（Adaptive Instance Selection Network），給定圖像和其中任意像素的坐標(biāo)，AdaptIS即可精準(zhǔn)輸出這個(gè)像素處任意物體的mask。與目前流行的先檢測(cè)后分割的方法不同，AdaptIS直接從像素點(diǎn)出發(fā)，達(dá)到對(duì)任意類別、任意形狀物體的精準(zhǔn)分割。AdaptIS不使用COCO預(yù)訓(xùn)練即可在全景分割數(shù)據(jù)集Cityscapes和Mapillary上達(dá)到了state-of-the-art的效果，PQ（Panoptic Quality）指標(biāo)分別為62.0和35.9，在COCO數(shù)據(jù)集上也有不錯(cuò)的效果。本文代碼與模型將開(kāi)源于：https://github.com/saic-vul/adaptis，目前只是占了個(gè)坑，實(shí)際代碼還未放出。有興趣的童鞋可以關(guān)注一下～

論文鏈接：https://arxiv.org/abs/1909.07829

項(xiàng)目地址：https://github.com/saic-vul/adaptis

推薦人：林肯二百一十三（奈良先端科學(xué)技術(shù)大學(xué)院大學(xué)機(jī)器人視覺(jué)專業(yè)，推薦于 CV 論文討論小組。）

???

除了上述的的五篇精選論文推薦，我們還為你精心準(zhǔn)備了可以一鍵下載的論文集：

ACL 歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1009?from=leiphonecolumn

ICCV 2019 | 最新公開(kāi)的51篇 Oral Paper 合集

下載地址：https://www.yanxishe.com/resourceDetail/1010?from=leiphonecolumn

EMNLP 2019 | 10篇論文實(shí)現(xiàn)代碼合集及下載

下載地址：https://www.yanxishe.com/resourceDetail/1013?from=leiphonecolumn

ICCV 1998-2017 年最佳論文合集NeurIPS 2019 GNN 論文合集