Paper 研习社本周论文推荐精选 | 第九期

①

#人工智能# #机器学习#

《让AI忘记你：机器学习中的数据删除》

推荐理由：

这篇论文被NeurIPS接收，讨论的是机器学习中用户数据控制权的问题。

随着Google、Facebook等大公司关于用户隐私的新闻不断，用户越来越关心自己的数据使用权和隐私问题。这篇论文要解决的问题就是用户如何控制机器学习模型何时可以使用他们的数据，而何时不可以。这篇论文提出了一个新任务，即如何从训练好的模型中删除某些训练数据。针对这个新任务的现有方法大多是从头开始在剩余数据上进行训练，而这种方法通常会耗费大量计算资源。这篇论文研究了有效删除数据的方法，并且对于k-Means聚类方法提出了两个有效的删除方法，实现了平均100倍的效率提升。

这篇论文要解决的问题具有非常好的实用意义。用户的数据控制和隐私问题已经引起了大众越来越多的关注，而如何更好地进行用户数据控制是值得进一步研究的问题。

论文链接：

https://paper.yanxishe.com/review/3872

推荐人：琴•福克纳（清华大学信息与通信工程专业，Paper 研习社特约作者）

②

#机器学习#

《基于机器学习的无人机探测和分类：最新研究进展》

推荐理由：

这篇论文要解决的是无人机探测和分类的问题。

随着商用无人机的流行，它们也对机场、军事设施、体育场馆等带来了不同程度的威胁。然而由于无人机“低小慢”的特点，传统的雷达很难及时和准确地监测到无人机的出现。最近人们提出了多种无人机的监测方法，包括视觉、声音和无线频谱指纹等。为了分析和处理这些信号，机器学习和深度学习等方法正发挥越来越大的作用。

研究意义：这篇论文对无人机探测和分类的相关研究进行了很好的总结，能够让后续的研究人员快速了解这个领域的发展现状并且开展新的研究。

论文链接：

https://paper.yanxishe.com/review/4071

推荐人：琴•福克纳（清华大学信息与通信工程专业，Paper 研习社特约作者）

③

#深度学习# #边缘计算#

《边缘智能：基于边缘计算的深度学习模型推断加速方法》

推荐理由：

核心问题：这篇论文讨论的是如何将深度学习模型高效地部署在资源受限的终端设备的问题。

创新点：这篇论文描述了将学习模型部署在资源受限的边缘设备的两种方法：

（1）模型切分，将费时的计算密集型层通过网络卸载到计算能力稍大的服务器，以较小的通信开销换取边缘端的处理延迟；

（2）模型精简，设计训练退出点对应不同的网络大小，根据具体应用需求选择不同的退出点以减少计算负担从而减少总延迟。作者们提出了一种名为Edgent的在满足时间约束下自动选择最优分割点和退出点，以最大化推断准确度的按需协同推理框架，并通过实验验证了Edgenet比其他框架具有更好的包容性和准确率，以及更低的延迟。

研究意义：这篇论文推动了将边缘计算思想用于人工智能的研究，能够促进边缘计算和人工智能这两个领域的交叉研究。

论文链接：

https://paper.yanxishe.com/review/3984

推荐人：马歇尔•多萝

④

#计算机视觉# #模式识别#

《随音乐起舞》

推荐理由：

核心内容：这篇论文被NeurIPS录用为Poster，要解决的是让计算机根据一段音乐自动生成为舞蹈动作的问题。

这个问题要求模型能够对音乐与舞蹈之间的关联进行合理的度量，例如音乐和舞蹈的风格与节奏。这篇论文提出了一种分析兼综合的学习框架来解决这个问题。在分析阶段，学习框架通过学习动态来将舞蹈拆解为一系列基础的舞蹈单元。在综合阶段，学习框架通过无缝对照输入音乐来组织各种基本舞蹈动作，以此学会如何创作一支舞蹈。实验结果表明，这个学习框架可以从音乐中合成逼真、多样、风格一致和节拍匹配的舞蹈。

创新点：这篇论文的立意比较新颖，作者放出的Demo视频效果也很好，能够被NeurIPS接收也反映了这篇论文的价值。

论文链接：

https://paper.yanxishe.com/review/815

推荐人：朱恩•劳森

⑤

#计算语言学# 

《利用同步歌词和人声特征进行音乐情感检测》

推荐理由：

音乐推荐中的关键点之一是根据情感和情感创作引人入胜的播放列表。虽然以前的作品主要基于音频来发现音乐和播放列表，但我们利用同步歌词数据集以新颖的方式结合了文本表示和音乐特征。

因此，作者介绍了同步歌词情感数据集。与随机利用音频样本和整个文本的其他方法不同，作者的数据是根据歌词和音频之间的同步提供的时间信息进行拆分的。这项工作显示了使用自然语言处理和音乐信息检索领域的不同技术对基于文本和基于音频的深度学习分类模型的比较。从音频实验可以得出结论，仅使用人声而不是全部音频数据可以改善音频分类器的整体性能。

创新点：在歌词实验中，作者利用最先进的词表示法将其应用于文献中可用的主要深度学习架构。在其基准测试中，结果显示了基于fastText单词嵌入的具有Attention的Bilinear LSTM分类器如何比应用于音频的CNN更好。

论文链接：

https://paper.yanxishe.com/review/3873

推荐人：Furion

✎✎✎

除了上述的的五篇精选论文推荐，我们还为你精心准备了可以一键下载的论文集：

ICCV 2019论文合集 1075篇

下载地址：https://www.yanxishe.com/resourceDetail/1055

ICLR 2019 论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1026

ACL 历年最佳论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1009

ICCV 2019 | 最新公开的51篇 Oral Paper 合集

下载地址：https://www.yanxishe.com/resourceDetail/1010

EMNLP 2019 | 10篇论文实现代码合集及下载

下载地址：https://www.yanxishe.com/resourceDetail/1013

NeurIPS 2019 GNN 论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1006

AAAI （1996-2019）历年最佳论文合集

下载地址：https://www.yanxishe.com/resourceDetail/991

快来下载试试吧！

想要阅读更多精彩论文？

点击阅读原文跳转 paper.yanxishe.com

雷锋网雷锋网雷锋网