Untuk membantu akademisi muda mempelajari hasil penelitian dan teknologi mutakhir dengan lebih baik, AI Technology Review and Paper Research Institute (paper.yanxishe.com) telah meluncurkan kolom [Paper Today], dan kami akan memilih batas kecerdasan buatan untuk Anda setiap hari. Makalah akademis untuk referensi studi Anda. Berikut ini adalah konten pilihan hari ini
Daftar Isi
-
Pengawasan Lemah untuk Deteksi Berita Palsu melalui Reinforcement Learning
-
Deteksi Sub-Peristiwa dalam Bencana Skala Besar Tanpa Pengawasan
-
Sintesis Quantum Logic Gate sebagai Proses Keputusan Markov
-
Model jaringan saraf dalam untuk histopatologi komputasi: Survei
-
Mengenali Gambar Instagram yang Difilter dengan Fitur De-stilisasi
-
TextScanner: Membaca Karakter dalam Urutan untuk Pengenalan Teks Adegan yang Kuat
-
Bit Keandalan Diperintahkan Menebak Decoding Kebisingan Aditif Acak
-
Menerbitkan penelitian komputasi - Tinjauan infrastruktur untuk komunikasi ilmiah yang dapat direproduksi dan transparan
-
Mari Berbagi: Kerangka Teoretik Game untuk Berbagi Sumber Daya di Mobile Edge Clouds
Pengawasan yang lemah terhadap deteksi berita palsu berdasarkan pembelajaran penguatan
Nama kertas: Pengawasan Lemah untuk Deteksi Berita Palsu melalui Pembelajaran Penguatan
Penulis: Wang Yaqing / Yang Weifeng / Ma Fenglong / Xu Jin / Zhong Bin / Deng Qiang / Gao Jing
Waktu posting: 2019/12/28
Tautan kertas: https://paper.yanxishe.com/review/7954
Alasan rekomendasi: Makalah ini diterima oleh AAAI 2020, mengingat masalah deteksi berita palsu.
Melalui platform media sosial, berita palsu dapat menyebar dengan kecepatan yang belum pernah terjadi sebelumnya. Baru-baru ini, metode berbasis pembelajaran yang dalam telah mencapai kinerja yang memuaskan dalam tugas deteksi berita palsu, tetapi melatih model semacam itu membutuhkan banyak data berlabel. Pada saat yang sama, karena sifat berita yang dinamis, sampel berlabel dapat dengan cepat menjadi usang dan tidak dapat diwakili. Laporan berita tentang peristiwa yang muncul. Oleh karena itu, cara mendapatkan sampel berlabel yang segar dan berkualitas tinggi menjadi tantangan utama dalam menggunakan model pembelajaran yang mendalam untuk mendeteksi berita palsu. Untuk mengatasi masalah ini, makalah ini mengusulkan algoritma deteksi berita palsu yang diawasi dengan lemah WeFEND berdasarkan pembelajaran penguatan. Framework ini menggunakan laporan pengguna sebagai data yang diawasi secara lemah, sehingga memperluas skala data pelatihan. WeFEND terutama terdiri dari modul anotasi, modul seleksi yang ditingkatkan, dan modul deteksi berita palsu. Modul pelabelan dapat secara otomatis menetapkan label lemah ke berita tak berlabel berdasarkan laporan pengguna. Modul pemilihan penguatan berdasarkan pembelajaran penguatan memilih sampel berkualitas tinggi dari data berlabel lemah dan menyaring sampel berkualitas rendah yang dapat mengurangi performa prediksi pendeteksi. , Modul deteksi berita palsu berfokus pada identifikasi berita palsu berdasarkan konten berita. Artikel ini menguji WeFEND yang diusulkan pada sejumlah besar artikel berita yang dipublikasikan di akun WeChat resmi dan laporan pengguna terkait. Hasil eksperimen menunjukkan bahwa model WeFEND memiliki performa terbaik dibandingkan dengan metode terbaru.
Deteksi kejadian neutron bencana skala besar tanpa pengawasan
Judul Makalah: Deteksi Sub-Peristiwa dalam Bencana Skala Besar Tanpa Pengawasan
Penulis: Arachie Chidubem / Gaur Manas / Anzaroot Sam / Groves William / Zhang Ke / Jaimes Alejandro
Waktu posting: 2019/12/13
Tautan kertas: https://paper.yanxishe.com/review/7955
Alasan rekomendasi: Selama dan setelah bencana alam (seperti angin topan, kebakaran skala besar), media sosial seringkali berperan penting karena orang memberikan informasi yang berguna tentang fakta di media sosial. Mengingat banyaknya pengguna yang memposting, kesulitannya adalah bagaimana mendapatkan informasi yang andal dan penting dari mereka sehingga personel darurat dapat merencanakan dan menyebarkan sumber daya tepat waktu. Apa yang ingin diselesaikan oleh makalah ini adalah masalah dalam mengidentifikasi sub-peristiwa penting secara otomatis (sub-peristiwa ini ada dalam keadaan darurat berskala besar, seperti badai). Secara khusus, para peneliti mengusulkan kerangka pembelajaran tanpa pengawasan baru yang dapat mendeteksi sub-peristiwa dalam tweet untuk analisis krisis retrospektif. Framework ini pertama-tama mengekstrak pasangan dan frasa gerund dari tweet asli sebagai kandidat untuk sub-peristiwa, dan kemudian mempelajari semantik embedding dari pasangan kata dan frasa yang diekstrak, dan membandingkannya dengan silsilah khusus krisis untuk peringkat relevansi. Kemudian saring kebisingan dan informasi yang salah, lalu kelompokkan pasangan gerund dan frase, sehingga kandidat teratas adalah orang-orang yang mendeskripsikan sub-peristiwa yang paling penting. Eksperimen pada dua kumpulan data nyata, Badai Harvey dan Gempa Nepal 2015, membuktikan bahwa kerangka kerja yang diusulkan dalam makalah ini mencapai kinerja terbaik.
Sintesis gerbang logika kuantum sebagai proses keputusan Markov
Judul Makalah: Sintesis Gerbang Logika Kuantum sebagai Proses Keputusan Markov
Penulis: Alam M. Sohaib
Waktu posting: 2019/12/27
Tautan kertas: https://paper.yanxishe.com/review/7949
Alasan yang disarankan: Pembelajaran penguatan telah menyaksikan aplikasi terbaru dari berbagai tugas dalam pemrograman kuantum. Asumsi dasarnya adalah bahwa tugas-tugas ini dapat dimodelkan sebagai Markov Decision Processes (MDP).
Dalam artikel ini, penulis menyelidiki kelayakan hipotesis ini dengan mengeksplorasi pengaruh hipotesis ini pada dua tugas paling sederhana dalam pemrograman kuantum: persiapan keadaan dan kompilasi gerbang. Dengan membentuk MDP terpisah dan hanya berfokus pada satu qubit, strategi optimal dapat diselesaikan secara akurat melalui iterasi strategi. Penulis menemukan jalur terbaik yang sesuai dengan urutan gerbang sesingkat mungkin untuk mempersiapkan negara atau menyusun gerbang untuk mencapai akurasi target tertentu. Sebagai contoh, penulis menemukan bahwa urutan gerbang H dan T dengan panjang 11 adalah untuk (HT) ^ {n} | 0 > Keadaan bentuk menghasilkan kesetiaan sekitar 99%, dengan nilai maksimum n = 10 ^ {10}. . Pekerjaan ini memberikan bukti kuat bahwa pembelajaran penguatan dapat digunakan untuk persiapan keadaan yang optimal dan kompilasi gerbang di ruang qubit yang lebih besar.
Model jaringan saraf dalam untuk histopatologi komputasi: survei
Nama kertas: Model jaringan saraf dalam untuk histopatologi komputasi: Survei
Penulis: Srinidhi Chetan L. / Ciga Ozan / Martel Anne L.
Waktu posting: 2019/12/28
Tautan kertas: https://paper.yanxishe.com/review/7950
Alasan rekomendasi: Gambar histopatologi mengandung informasi fenotipik yang kaya dan dapat digunakan untuk memantau mekanisme potensial yang berkontribusi pada perkembangan penyakit dan hasil kelangsungan hidup pasien.
Baru-baru ini, pembelajaran mendalam telah menjadi pilihan metodologi utama untuk menganalisis dan menafsirkan gambar histologis kanker. Pada artikel ini, penulis memberikan ulasan komprehensif tentang metode pembelajaran mendalam terbaru yang digunakan dalam analisis citra histopatologi. Melalui survei terhadap lebih dari 130 makalah, penulis meninjau kemajuan lapangan sesuai dengan aspek metodologis dari strategi pembelajaran mesin yang berbeda (seperti diawasi, diawasi dengan lemah, tidak diawasi, pembelajaran transfer, dan subvariabel lain dari metode ini). Penulis juga menguraikan model kelangsungan hidup berbasis pembelajaran mendalam yang cocok untuk tugas prognostik penyakit tertentu. Akhirnya, ini merangkum beberapa set data terbuka yang ada, dan menyoroti tantangan utama dan keterbatasan metode pembelajaran mendalam saat ini dan kemungkinan pendekatan untuk penelitian di masa depan.
Mengenali gambar Instagram yang difilter menggunakan fitur de-stylization
Nama kertas: Mengenali Gambar Instagram yang Difilter dengan Fitur De-stilisasi
Penulis: Wu Zhe / Wu Zuxuan / Singh Bharat / Davis Larry S.
Waktu posting: 2019/12/30
Tautan kertas: https://paper.yanxishe.com/review/7953
Alasan rekomendasi: Makalah ini diterima oleh AAAI 2020, dengan mempertimbangkan kekuatan model jaringan saraf dalam untuk filter foto.
Makalah ini mempelajari bagaimana beberapa model pra-pelatihan terkenal dipengaruhi oleh filter Instagram sendiri, dan kemudian memperkenalkan kumpulan data filter ImageNet ImageNet-Instagram, yang menggunakan 20 filter Instagram terkenal untuk setiap gambar ImageNet cermin. Penelitian telah menemukan bahwa filter yang hanya mempertahankan struktur, seperti hanya memodifikasi keseluruhan gambar, dapat menghasilkan ruang fitur konvolusional yang sangat berbeda. Untuk meningkatkan kemampuan generalisasi model, peneliti memperkenalkan modul de-stilisasi ringan yang dapat memprediksi parameter yang digunakan untuk granularitas variabel atau konversi fitur untuk membatalkan gambar yang diproses oleh filter. Para peneliti selanjutnya membuktikan bahwa modul yang diusulkan dapat dimasukkan ke dalam struktur CNN. Eksperimen komparatif pada kumpulan data baru yang dibangun menunjukkan keefektifan modul yang diusulkan.
TextScanner: Membaca karakter untuk mendapatkan pengenalan teks adegan yang kuat
Paper Name: TextScanner: Membaca Karakter dalam Rangka untuk Pengenalan Teks Adegan yang Kuat
Penulis: Wan Zhaoyi / He Mingling / Chen Haoran / Bai Xiang / Yao Cong
Waktu posting: 2019/12/28
Tautan kertas: https://paper.yanxishe.com/review/7951
Alasan yang disarankan: Ini adalah pekerjaan Megvii Research Institute untuk memecahkan masalah pengenalan teks adegan.
Pada masalah pengenalan teks adegan, metode berdasarkan perhatian RNN mendominasi lapangan, tetapi metode ini memiliki masalah penyimpangan perhatian dalam beberapa kasus. Baru-baru ini, algoritme yang didasarkan pada segmentasi semantik telah terbukti dapat secara efektif mengenali berbagai bentuk teks (horizontal, arah lain, atau kurva), tetapi metode ini dapat menghasilkan karakter palsu atau menghilangkan karakter nyata. Untuk mengatasi masalah tersebut, makalah ini mengusulkan metode baru, TextScanner, yang memiliki tiga karakteristik sebagai berikut: 1. Menghasilkan peta segmentasi multi-channel tingkat piksel untuk tipe karakter, posisi dan urutan; 2. Ia juga menggunakan RNN untuk melakukan Pemodelan konteks 3. Selain itu, model ini memprediksi posisi karakter dan kategori secara paralel, dan memastikan bahwa karakter ditranskripsikan dalam urutan yang benar. Eksperimen yang dilakukan pada kumpulan data tolok ukur standar menunjukkan bahwa kinerja TextScanner lebih baik daripada metode terbaru, dan TextScanner telah menunjukkan keuntungan besar dalam mengenali teks yang sulit (seperti transkrip bahasa Mandarin).
Tebak bit keandalan yang dipesan dari decoding noise aditif acak
Nama kertas: Ordered Reliability Bits Menebak Decoding Kebisingan Aditif Acak
Penulis: Duffy Ken R.
Waktu posting: 2020/1/2
Tautan kertas: https://paper.yanxishe.com/review/7960
Alasan yang disarankan: tebak bahwa random additive noise decoding (GRAND) dapat mendekode kode blok koreksi kesalahan maju. Algoritme asli mengasumsikan bahwa decoder hanya menerima keputusan sulit yang didemodulasi untuk menyuruhnya mendekode. Karena diketahui bahwa penggabungan informasi lunak dapat meningkatkan akurasi decoding, penulis di sini memperkenalkan bit GRAND keandalan yang dipesan, yaitu, untuk kode blok biner dengan panjang n, tidak melebihi kuantisasi bit log2 (n) yang tidak terkait dengan buku kode Informasi deteksi lunak dari setiap bit yang diterima untuk menentukan decoding yang akurat.
Fakta telah membuktikan bahwa ORBGRAND memiliki kinerja tingkat kesalahan blok yang lebih baik daripada CA-SCL (dekoder CA-Polar terbaru) dan kompleksitas rendah. Kode linier acak dengan tingkat yang sama yang didekodekan dengan ORBGRAND menunjukkan kesalahan blok dan kinerja kompleksitas yang sebanding.
Publikasikan penelitian komputasi-tinjau infrastruktur untuk komunikasi akademik yang berulang dan transparan
Nama kertas: Menerbitkan penelitian komputasi - Tinjauan infrastruktur untuk komunikasi ilmiah yang dapat direproduksi dan transparan
Penulis: Konkol Markus / Nüst Daniel / Goulier Laura
Waktu posting: 2020/1/2
Tautan kertas: https://paper.yanxishe.com/review/7961
Alasan rekomendasi: lembaga pendanaan semakin meminta pelamar untuk memasukkan data dan rencana pengelolaan perangkat lunak dalam proposal mereka. Selain itu, pedoman penulis untuk jurnal ilmiah dan konferensi sering kali menyertakan pernyataan tentang ketersediaan data, dan beberapa pengulas menolak kiriman yang tidak dapat diulang. Tren ilmu pengetahuan terbuka telah meningkatkan tekanan pada penulis untuk memberikan akses ke kode sumber dan data yang mendasari hasil penghitungan dalam karya ilmiah mereka. Namun demikian, menerbitkan artikel yang dapat direproduksi masih merupakan tugas yang menakutkan dan tidak dapat dicapai hanya dengan menyediakan akses ke skrip kode dan file data. Oleh karena itu, beberapa proyek telah mengembangkan solusi untuk mendukung publikasi analisis yang dapat dieksekusi dan artikel yang memperhitungkan kebutuhan pemangku kepentingan tersebut di atas.
Kontribusi utama artikel ini adalah gambaran umum aplikasi yang memecahkan masalah penerbitan hasil penelitian komputasi yang dapat dieksekusi. Penulis membandingkan metode antara atribut yang terkait dengan pemangku kepentingan yang terlibat, seperti fitur yang disediakan dan opsi penerapan, dan juga membahas tren dan batasan secara ketat. Review dapat mendukung penerbit dalam memutuskan sistem mana yang akan diintegrasikan ke dalam proses pengiriman mereka, editor dapat merekomendasikan alat untuk peneliti, dan penulis makalah ilmiah mengikuti prinsip pengulangan.
Mari berbagi: Kerangka teori game untuk berbagi sumber daya di cloud edge seluler
Judul Makalah: Let's Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds
Penulis: Zafari Faheem / Leung Kin K. / Towsley Don / Basu Prithwish / Swami Ananthram / Li Jian
Waktu posting: 2020/1/2
Tautan kertas: https://paper.yanxishe.com/review/7959
Alasan yang disarankan: komputasi tepi seluler berupaya menyediakan sumber daya untuk aplikasi sensitif penundaan yang berbeda. Karena penyedia layanan cloud edge mungkin tidak memiliki cukup sumber daya untuk memenuhi semua permintaan sumber daya, ini merupakan masalah yang menantang. Selain itu, mengalokasikan sumber daya yang tersedia secara optimal ke berbagai aplikasi juga merupakan tantangan. Berbagi sumber daya antara penyedia layanan cloud edge yang berbeda dapat mengatasi keterbatasan di atas, karena beberapa penyedia layanan mungkin memiliki sumber daya yang tersedia yang dapat "disewa" oleh penyedia layanan lain. Namun, penyedia layanan cloud edge dapat memiliki tujuan atau \ emph {utilities} yang berbeda. Oleh karena itu, diperlukan mekanisme yang efektif dan efektif untuk berbagi sumber daya di antara penyedia layanan, dengan tetap mempertimbangkan tujuan yang berbeda dari berbagai penyedia.
Dalam artikel ini, penulis memodelkan berbagi sumber daya sebagai masalah pengoptimalan multi-tujuan, dan mengusulkan kerangka kerja solusi berdasarkan \ emph {teori permainan kooperatif} (CGT). Penulis mempertimbangkan strategi berikut: masing-masing penyedia layanan terlebih dahulu mengalokasikan sumber daya ke aplikasi aslinya, kemudian membagikan sumber daya yang tersisa dengan aplikasi penyedia layanan lainnya. Kami membuktikan bahwa untuk fungsi utilitas yang monotonik dan tidak menurun, game tersebut kanonis dan cembung. Oleh karena itu, \ emph {core} tidak kosong, dan liga utama stabil. Kami mengusulkan dua algoritma \ emph {alokasi optimal Pareto berdasarkan teori permainan} (GPOA) dan \ emph {alokasi optimal Pareto berdasarkan poligami} (PPMPOA), yang menyediakan alokasi dari inti. Oleh karena itu, distribusi yang diperoleh adalah \ emph {Pareto} optimal, dan aliansi keseluruhan dari semua penyedia layanan stabil.
Hasil eksperimen mengkonfirmasi bahwa kerangka kerja berbagi sumber daya yang diusulkan oleh penulis meningkatkan kepuasan utilitas dan permintaan aplikasi dari penyedia layanan cloud edge.
Lei Feng Wang Lei Feng Wang Lei Feng Wang
- AAAI 2020 | Institute of Automation, Chinese Academy of Sciences: Buat model terjemahan suara yang lebih baik melalui interaksi pengenalan dan terjemahan
- Tencent menanggapi "pemutusan hubungan kerja yang hebat"; Apple jarang berpartisipasi dalam CES; Samsung berencana untuk memproduksi chip 3nm pertama Lei Feng Morning Post
- Today Paper | Sistem Tanya Jawab; bentuk dan postur manusia 3D; Deteksi pemalsuan wajah; AdderNet, dll.
- Debut "Induction Cooker Combination"! Lei Jun mengumumkan bahwa dia akan bergabung dengan Xiaomi secara teratur, ulang tahun pertama Lu Weibing