Paper 研习社本周论文推荐精选 | 第二期

本文作者： AI研习社

2019-09-20 16:25

导语：「本周论文推荐精选」是 Paper 研习社推出的全新栏目，展现社友们在研习论文的过程中，推荐自己所阅读到的优秀论文。

「本周论文推荐精选」是 Paper 研习社推出的全新栏目，展现社友们在研习论文的过程中，推荐自己所阅读到的优秀论文，帮助大家一起学习、讨论每个领域最新、最精彩的学术论文。

①

#卷积 LSTM# #注意力机制##seq2seq模型#

CLVSA：一个基于卷积LSTM和注意力机制的预测金融市场走势的变分seq2seq模型

推荐理由：1、本文所解决的核心问题：股票市场的预测是金融和计算机相互交叉的一个问题。近年来许多研究人员试图将深度学习的算法应用于金融市场预测中，通过历史价格信息、公司基本面信息、研究报告文本等输入数据，判断股票、股指期货的价格走势。然而由于股票数量的限制、金融市场中的噪音等原因，在图像和语音识别领域大显身手的深度学习模型能否在金融市场上取得同样的成功还有待人们进一步研究。

2、本文的创新点：在这一篇论文中，作者提出了一个混合模型，将卷积LSTM、注意力机制和seq2seq模型结合到一起，通过5分钟时间间隔的原始的价量信息，预测未来30分钟之后价格是否会上涨还是下跌。在这个混合模型中，基于KL散度的正则化操作被用于减轻过拟合。为了验证模型的有效性，作者收集了2010年1月至2017年12月期间，4种商品期货（原油、黄金、天然气和大豆）和2种股指期货（标普500和纳斯达克100）的历史价量数据。通过滚动预测的模式（3年时间作为训练集，2周用于验证和测试，以1周为步长滚动训练和预测），他们验证了这个混合模型在评级准确率、年化收益率和夏普率上都优于单独的卷积神经网络，seq2seq模型和LSTM模型。本文涉及到的数据来自于期货交易商，作者没有放出数据。同样，作者也没有放出实现模型的代码。

3、本文的研究意义：通过新模型的提出和验证，推动了深度学习模型在金融市场预测上的应用。

论文链接：https://www.ijcai.org/proceedings/2019/0514.pdf

推荐人：琴•福克纳（清华大学信息与通信工程，Paper 研习社特约作者）

②

#计算机视觉#

【大连理工/鹏城/香港城市】MirrorNet：我镜子呢？

推荐理由一：这是一篇大连理工、鹏城实验室、香港城市大学合作的论文，已被ICCV 2019接收。镜子的反光一直是计算机视觉中一个令人头疼的问题，而已有的算法尚未考虑它的影响，也因此经常被镜子中反光的图像迷惑——毕竟镜子反射的图像往往和它的周边环境又很接近，要让神经网络区分二者实在是困难。本文则是有史以来第一篇基于计算的方式来处理镜子语义分割问题的工作。作者首先构建了一个大规模的、涵盖日常生活各种场景、包含了四千多幅图像的镜子分割数据库——MSD，并提出了一个用于镜子分割的网络——MirrorNet。MirrorNet使用了上下文对比特征提取（CCFE）模块，用于学习镜子里外上下文的对比，从而分割出各种尺寸的镜子。实验表明，使用了CCFE模块的MirrorNet能够有效地学习这种上下文对比并在MSD数据集上有最佳的分割效果。

推荐人：林肯二百一十三（奈良先端科学技術大学院大学机器人视觉专业，推荐于 CV 论文讨论小组。）

推荐理由二：大连理工、鹏城实验室和香港城市大学的研究团队提出了一种从输入图像中分割镜子的新方法。不仅能够准确识别并分割出场景中的镜子，还能够消除由于镜子反射所导致的对于场景的错误理解，并帮助一些计算机视觉任务（例如深度估计和目标检测）提升鲁棒性。他们说，这是首个解决镜子分割的方法，经过大量的实验表明，性能表现比最先进的检测和分割方法都要好。

论文链接：https://arxiv.org/pdf/1908.09101.pdf

推荐人：志浩（中国石油大学(华东) 机械工程，ICCV 2019顶会赞助计划参与者）

③

#深度学习# #卷积网络#

ICCV2019 | 修复视频，不需要进行先验训练，外观和光流足矣！

推荐理由：本论文来自斯坦福大学，为ICCV2019接收论文。文章提出了一种新颖的视频修复算法，该算法同时产生缺失的外观（appearance）和运动（光流）信息，这种算法建立在最近提出的“深度图像先验”（DIP）之上，DIP则是利用卷积网络架构在静态图像中强制执行合理的纹理。在将DIP扩展到视频时，本文做出了两个重要贡献。首先，作者表明无需先验训练即可实现连贯的视频修复。其次，作者表明这样的框架可以共同产生外观和光流，同时利用这些互补的方式可以确保相互一致性。

论文链接：https://arxiv.org/abs/1909.07957v1

推荐人：贾伟（清华大学物理学，Paper 研习社首席论文推荐官。）

④

#数据挖掘#

图神经网络完全综述，来自Philip S. Yu大佬的鼎力之作

推荐理由：没得说，这是来自数据挖掘领域的巨擘Philip S. Yu老师的大作！质量和深度毋庸置疑。具体就不再展开，下面是摘要的中文翻译：近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常表示在欧几里德空间中。然而，越来越多的应用程序从非欧几里德域生成数据，并表示为具有复杂关系和对象之间相互依赖性的图。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图形数据的深度学习方法的研究。在本次调查中，我们提供了数据挖掘和机器学习领域中图形神经网络（GNN）的全面概述。我们提出了一种新的分类法，将最先进的图神经网络划分为四类，即循环图神经网络，卷积图神经网络，图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了现有算法在不同学习任务中的开源代码和基准。最后，我们在这个快速发展的领域提出了潜在的研究方向。

论文链接：https://arxiv.org/abs/1901.00596

推荐人：贾伟（清华大学物理学，Paper 研习社首席论文推荐官。）

⑤

#深度学习##网络优化# #网络训练#

【三星】AdaptIS：自适应实例选择网络

推荐理由：这是Samsung AI Center发表的一篇全景分割论文，已被ICCV 2019接收。本文提出了自适应实例选择网络（Adaptive Instance Selection Network），给定图像和其中任意像素的坐标，AdaptIS即可精准输出这个像素处任意物体的mask。与目前流行的先检测后分割的方法不同，AdaptIS直接从像素点出发，达到对任意类别、任意形状物体的精准分割。AdaptIS不使用COCO预训练即可在全景分割数据集Cityscapes和Mapillary上达到了state-of-the-art的效果，PQ（Panoptic Quality）指标分别为62.0和35.9，在COCO数据集上也有不错的效果。本文代码与模型将开源于：https://github.com/saic-vul/adaptis，目前只是占了个坑，实际代码还未放出。有兴趣的童鞋可以关注一下～

论文链接：https://arxiv.org/abs/1909.07829

项目地址：https://github.com/saic-vul/adaptis

推荐人：林肯二百一十三（奈良先端科学技術大学院大学机器人视觉专业，推荐于 CV 论文讨论小组。）

✎✎✎

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：

ACL 历年最佳论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1009?from=leiphonecolumn

ICCV 2019 | 最新公开的51篇 Oral Paper 合集

下载地址：https://www.yanxishe.com/resourceDetail/1010?from=leiphonecolumn

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?from=leiphonecolumn

ICCV 1998-2017 年最佳论文合集NeurIPS 2019 GNN 论文合集