0
| 本文作者： AI研習(xí)社 | 2020-02-24 11:45 |
ACEnet：用于神經(jīng)解剖分割的解剖上下文編碼網(wǎng)絡(luò)
圖延長卷積網(wǎng)絡(luò)：圖上的顯式多尺度機(jī)器學(xué)習(xí)及其在生物系統(tǒng)建模中的應(yīng)用
用于欺詐檢測的交織序列RNNs
DialogueGCN：用于對話情感識別的圖卷積神經(jīng)網(wǎng)絡(luò)模型
移動設(shè)備的量化卷積神經(jīng)網(wǎng)絡(luò)
論文名稱：ACEnet: Anatomical Context-Encoding Network for Neuroanatomy Segmentation
作者：Li Yuemeng /Li Hongming /Fan Yong
發(fā)表時間：2020/2/13
論文鏈接：https://paper.yanxishe.com/review/11638?from=leiphonecolumn_paperreview0224
推薦原因
這篇論文考慮的是通過磁共振掃描圖像對腦結(jié)構(gòu)進(jìn)行分割的問題。
對于這個問題，現(xiàn)有的2D深度學(xué)習(xí)方法無法有效捕獲大腦結(jié)構(gòu)分割所需的3D空間上下文信息。這篇論文提出了一個名為ACEnet的解剖上下文編碼網(wǎng)絡(luò)，將3D空間和解剖上下文合并到2D卷積神經(jīng)網(wǎng)絡(luò)中，以便從磁共振掃描中有效而準(zhǔn)確地分割大腦結(jié)構(gòu)。ACNnet包含三個重要的組成部分：1、解剖上下文編碼模塊，將解剖信息合并到2D CNN中；2、空間上下文編碼模塊，將3D圖像信息合并到2D CNN中；3、顱骨剝離模塊，指導(dǎo)2DCNN來建模大腦結(jié)構(gòu)。在三個基準(zhǔn)數(shù)據(jù)集上的實驗表明，ACNnet在計算效率和分割精度上優(yōu)于現(xiàn)有的方法。
論文名稱：Graph Prolongation Convolutional Networks: Explicitly Multiscale Machine Learning on Graphs, with Applications to Modeling of Biological Systems
作者：Scott C. B. /Mjolsness Eric
發(fā)表時間：2020/2/14
論文鏈接：https://paper.yanxishe.com/review/11637?from=leiphonecolumn_paperreview0224
推薦原因
這篇論文定義了一種新的集成圖卷積網(wǎng)絡(luò)(GCN)模型，使用優(yōu)化的線性投影算子在圖形的空間比例之間進(jìn)行映射，將學(xué)習(xí)匯總每個比例的信息以進(jìn)行最終預(yù)測。這些線性投影算子作為與每個GCN結(jié)構(gòu)矩陣相關(guān)的目標(biāo)函數(shù)的信息量來計算。含有這些投影信息后，新的圖延長卷積網(wǎng)絡(luò)模型在微管彎曲粗粒度機(jī)械化學(xué)仿真中預(yù)測單體亞基勢能時，效果優(yōu)于其他GCN集成模型。
論文名稱：Interleaved Sequence RNNs for Fraud Detection
作者：Branco Bernardo /Abreu Pedro /Gomes Ana Sofia /Almeida Mariana S. C. /Ascens?o Jo?o Tiago /Bizarro Pedro
發(fā)表時間：2020/2/14
論文鏈接：https://paper.yanxishe.com/review/11636?from=leiphonecolumn_paperreview0224
推薦原因
這篇論文考慮的是金融系統(tǒng)中的實時欺詐檢測問題。
為了解決這個問題，這篇論文使用遞歸神經(jīng)網(wǎng)絡(luò)，并將付款視為交錯序列（其中每張卡的歷史記錄是無界、不規(guī)則子序列），以使得整個系統(tǒng)不必考慮復(fù)雜的特征工程。這篇論文提出一個完整的RNN框架以實時檢測欺詐行為，并提出從預(yù)處理到部署的有效機(jī)器學(xué)習(xí)管道。實驗證明，這些無特征、多序列RNN優(yōu)于當(dāng)前最佳模型，并由于使用較少的計算資源，而能節(jié)省數(shù)百萬美元的欺詐檢測成本。
論文名稱：DialogueGCN: A Graph Convolutional Neural Network for Emotion Recognition in Conversation
作者：Ghosal Deepanway /Majumder Navonil /Poria Soujanya /Chhaya Niyati /Gelbukh Alexander
發(fā)表時間：2019/8/30
論文鏈接：https://paper.yanxishe.com/review/11635?from=leiphonecolumn_paperreview0224
推薦原因
1.對話語句的情感識別(ERC)是基礎(chǔ)但也異常重要的任務(wù)，過去的解決方法通常是將序列語句編碼，然后情感分類。本文綜合考慮講話序列以及講話者兩個水平的影響因素，提出基于圖卷積網(wǎng)絡(luò)的DialogueGCN，實現(xiàn)情感識別。在三個情感識別數(shù)據(jù)集上取得SOTA結(jié)果。
2.作者巧妙的將對話中的語句、對話者這樣的異構(gòu)甚至抽象信息建模到圖中，以利用圖神經(jīng)網(wǎng)絡(luò)。
3.對于學(xué)習(xí)了圖神經(jīng)網(wǎng)絡(luò)理論的人來說，如何在實際場景中應(yīng)用圖神經(jīng)網(wǎng)絡(luò)是非常重要的，本文就提供了一個非常簡單明了的場景，值得學(xué)習(xí)。
論文名稱：Quantized Convolutional Neural Networks for Mobile Devices
作者：Jiaxiang Wu / Cong Leng /Yuhang Wang
發(fā)表時間：2016/5/16
論文鏈接：https://paper.yanxishe.com/review/11543?from=leiphonecolumn_paperreview0224
推薦原因
核心問題：CNN網(wǎng)絡(luò)在許多方面發(fā)揮著越來越重要的作用，但是CNN模型普遍很大，計算復(fù)雜，本論文對其進(jìn)行了改進(jìn)。
創(chuàng)新點：在這篇論文中，作者提出了一個Quantized CNN模型，這個模型可以加速和壓縮CNN，它的核心思想是對卷積層和全連接層中的權(quán)重進(jìn)行量化，并最小化每層的響應(yīng)誤差。
研究意義：在ILSVRC-12數(shù)據(jù)集上進(jìn)行實驗，證明對于分類任務(wù)在僅損失很小的準(zhǔn)確率下，該方法可以達(dá)到4-6倍的加速，和15~20倍的壓縮，可以明顯的看出效果。
為了更好地服務(wù)廣大 AI 青年，AI 研習(xí)社正式推出全新「論文」版塊，希望以論文作為聚合 AI 學(xué)生青年的「興趣點」，通過論文整理推薦、點評解讀、代碼復(fù)現(xiàn)。致力成為國內(nèi)外前沿研究成果學(xué)習(xí)討論和發(fā)表的聚集地，也讓優(yōu)秀科研得到更為廣泛的傳播和認(rèn)可。
我們希望熱愛學(xué)術(shù)的你，可以加入我們的論文作者團(tuán)隊。
加入論文作者團(tuán)隊你可以獲得
1.署著你名字的文章，將你打造成最耀眼的學(xué)術(shù)明星
2.豐厚的稿酬
3.AI 名企內(nèi)推、大會門票福利、獨家周邊紀(jì)念品等等等。
加入論文作者團(tuán)隊你需要：
1.將你喜歡的論文推薦給廣大的研習(xí)社社友
2.撰寫論文解讀
如果你已經(jīng)準(zhǔn)備好加入 AI 研習(xí)社的論文兼職作者團(tuán)隊，可以添加運營小姐姐的微信，備注“論文兼職作者”
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
相關(guān)文章：
今日 Paper | TRANSFORMER結(jié)構(gòu)；圖像到圖像翻譯；缺失標(biāo)注目標(biāo)檢測解決；GAN水下圖像顏色校正等
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
