在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。
在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。
点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。
@Synced 推荐
#RNN
近日，CMU 和蒙特利尔大学联合提出一种新型的多级记忆的 RNN 架构——嵌套 LSTM。在访问内部记忆时，嵌套 LSTM 相比传统的堆栈 LSTM 有更高的自由度，从而能处理更长时间规模的内部记忆。
实验也表明，NLSTM 在多种任务上都超越了堆栈 LSTM。作者认为嵌套 LSTM 有潜力直接取代堆栈 LSTM。
@hussar 推荐
#Knowledge Representation
本文提出了一种统一的开放知识表示方法 OKR，可以解决多文档的摘要问题。通过各种指代链接技术对多文档的信息进行压缩。
Deconvolutional Paragraph Representation Learning
@icaruss 推荐
#Encoder-Decoder Framework
这篇 2017 年发表在 NIPS 的文章提供了一个 deconvolutional text autoencoder 架构，在长文本重构上从原先的 20 多的 bleu score 提升到 90 多，并在文本分类等下游任务上提升显著。另外，本文在速度上也提升了三到五倍。
@paperweekly 推荐
#Knowledge Graph
知识图谱和 NLP 数据里通常只有正样本，所以训练传统嵌入模型的时候，大家喜欢用随机采样方法生成负例。但是这样生成的负例往往质量很差，对模型训练没什么帮助。作者提出了一种基于强化对抗学习的新方法，可以自动生成高质量的负样本。
@kaierlong 推荐
#Recurrent Neural Network
本文提出的 MobiRNN 框架，可以显著降低 RNN 模型在手机设备上的运行时间。
@paperweekly 推荐
#GAN
训练不稳定至今仍是 GAN 的一个重大挑战。本文提出了一种新型权值归一化（weight normalization）技术 SN-GANs，能让判定器训练更加稳定。
这是一种轻量化、易实现的方法，作者用 CIFAR10、STL-10 和 ILSVRC2012 的数据集对它进行了测试，实验证明，SN-GANs 能比以往提出的稳定方法生成质量更高，或者至少是质量相当的图像。
@chenhong 推荐
#Object Tracking
object tracking 是视频分析的基本任务，长期以来一直有两大阵营，CF 相关滤波和 CNN，当然也可以 CF+CNN 融合。
本文将 tracking 过程分解为两个并行但是相互协作的部分：一个用于快速的跟踪（fast tracking），另一个用于准确的验证（accurate verification）。
@paperweekly 推荐
#Generative Adversarial Networks
本文为 ICLR 2018 录用论文，主要研究如何从嘈杂、扭曲、局部的观察中学习 GAN。
@paperweekly 推荐
#Scene Recognition
基于卷积神经网络的 RGB-D 场景识别，本文为 AAAI2017 录用文章。
@Synced 推荐
#Image Segmentation
本文展示了 U-Net 类型的架构如何利用预训练的编码器提升性能。代码和相关的预训练权重已开源。文中比较了三种权重初始化方案：LeCun uniform、取自 VGG11 权重的编码器和在 Carvana 数据集上训练的完整网络。
该网络架构是 Kaggle 竞赛（Carvana Image Masking Challenge）中获胜解决方案（在 735 名参赛者中排名第一）的一部分。
本文由 AI 学术社区 PaperWeekly 精选推荐，社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向，点击「阅读原文」即刻加入社区！
#榜 单 公 布 #
2017年度最值得读的AI论文 | NLP篇 · 评选结果公布
2017年度最值得读的AI论文 | CV篇 · 评选结果公布
我是彩蛋
解锁新功能：热门职位推荐！
PaperWeekly小程序升级啦
今日arXiv√猜你喜欢√热门职位√
找全职找实习都不是问题
解锁方式
1. 识别下方二维码打开小程序
2. 用PaperWeekly社区账号进行登陆
3. 登陆后即可解锁所有功能
职位发布
请添加小助手微信（pwbot01）进行咨询
长按识别二维码，使用小程序
*点击阅读原文即可注册
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。