Paper 解读 - Arxiv 论文中文解读平台

cs.CL 1606.05250

SQuAD: 100,000+ Questions for Machine Comprehension of Text

提出SQuAD数据集，包含10万+问答对，利用依存和句法树分析，模型F1达51%，人类86.8%。

Pranav Rajpurkar, Jian Zhang, Konstantin Lopyrev 等

2016-06-17 9688 引用 59

cs.CV 1606.04797

V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

提出基于Dice系数优化的V-Net全卷积网络，用于MRI前列腺三维分割，效果优异。

Fausto Milletari, Nassir Navab, Seyed-Ahmad Ahmadi

2016-06-15 66

cs.CV 1606.04586

Regularization With Stochastic Transformations and Perturbations for Deep Semi-Supervised Learning

提出了一种利用随机变换和扰动的半监督学习正则化方法，提升了模型准确性。

Mehdi Sajjadi, Mehran Javanmardi, Tolga Tasdizen

2016-06-15 17

cs.NE 1606.04474

Learning to learn by gradient descent by gradient descent

提出基于LSTM的学习优化器，将优化算法作为学习问题，显著优于传统方法。

Marcin Andrychowicz, Misha Denil, Sergio Gomez 等

2016-06-15 38

cs.LG 1606.04080

Matching Networks for One Shot Learning

匹配网络实现一-shot学习，提升ImageNet准确率至93.2%，Omniglot至93.8%。

Oriol Vinyals, Charles Blundell, Timothy Lillicrap 等

2016-06-14 58

cs.LG 1606.03498

Improved Techniques for Training GANs

提出多项改进GAN训练的技术，提升半监督分类和图像质量。

Tim Salimans, Ian Goodfellow, Wojciech Zaremba 等

2016-06-11 82

cs.CL 1606.02960

Sequence-to-Sequence Learning as Beam-Search Optimization

引入基于束搜索优化的seq2seq模型，解决局部训练偏差，提升在词序、解析和翻译任务中的性能。

Sam Wiseman, Alexander M. Rush

2016-06-09 64

cs.CL 1606.02858

A Thorough Examination of the CNN/Daily Mail Reading Comprehension Task

通过分析CNN/Daily Mail阅读理解任务，发现简单模型已接近性能上限，数据存在噪声。

Danqi Chen, Jason Bolton, Christopher D. Manning

2016-06-09 62

cs.CV 1606.02492

Convolutional Neural Fabrics

提出卷积神经网络“织物”结构，嵌入指数级架构，参数共享，性能在MNIST、CIFAR10、Part Labels上优异。

Shreyas Saxena, Jakob Verbeek

2016-06-08 58

cs.CL 1606.02447

Learning Language Games through Interaction

通过SHRDLURN游戏的互动学习语言，模型准确率提高8%。

Sida I. Wang, Percy Liang, Christopher D. Manning

2016-06-08 15

cs.LG 1606.02355

Active Long Term Memory Networks

A-LTM利用知识蒸馏保持旧任务，解决神经网络的灾难性遗忘问题。

Tommaso Furlanello, Jiaping Zhao, Andrew M. Saxe 等

2016-06-08 58

cs.CL 1606.01933

A Decomposable Attention Model for Natural Language Inference

提出了一种分解注意力模型，在SNLI数据集上取得了最先进的结果，参数量大幅减少。

Ankur P. Parikh, Oscar Täckström, Dipanjan Das 等

2016-06-07 8

cs.CL 1606.01541

Deep Reinforcement Learning for Dialogue Generation

使用深度强化学习生成对话，提升连贯性和信息量。

Jiwei Li, Will Monroe, Alan Ritter 等

2016-06-06 16

cs.LG 1606.01540

OpenAI Gym

OpenAI Gym以统一接口和版本化环境重塑RL基准，初始涵盖5类任务。

Greg Brockman, Vicki Cheung, Ludwig Pettersson 等

2016-06-06 38

cs.CV 1606.00373

Deeper Depth Prediction with Fully Convolutional Residual Networks

提出基于残差卷积网络的深度预测模型，参数少、实时性强，精度优于现有方法。

Iro Laina, Christian Rupprecht, Vasileios Belagiannis 等

2016-06-02 84

cs.NE 1605.09304

Synthesizing the preferred inputs for neurons in neural networks via deep generator networks

通过深度生成网络(DGN)改进激活最大化(AM)，生成高质量、可解释的神经元偏好输入。

Anh Nguyen, Alexey Dosovitskiy, Jason Yosinski 等

2016-05-31 45

cs.CV 1605.08110

Video Summarization with Long Short-term Memory

基于LSTM的视频摘要方法，通过结构化预测实现关键帧和子片段自动选择，达成最优性能。

Ke Zhang, Wei-Lun Chao, Fei Sha 等

2016-05-26 75

cs.CV 1605.07648

FractalNet: Ultra-Deep Neural Networks without Residuals

提出基于自相似结构的FractalNet，无残差连接，达成与ResNet相当性能。

Gustav Larsson, Michael Maire, Gregory Shakhnarovich

2016-05-25 50

cs.LG 1605.07157

Unsupervised Learning for Physical Interaction through Video Prediction

提出无监督视频预测模型，基于像素运动，能泛化未见对象，应用于机器人交互数据。

Chelsea Finn, Ian Goodfellow, Sergey Levine

2016-05-24 61

cs.CV 1605.06885

Bridging Category-level and Instance-level Semantic Image Segmentation

提出基于类别级语义分割的实例分割方法，在PASCAL VOC 2012达79.1% mIoU，超越detect-then-segment。

Zifeng Wu, Chunhua Shen, Anton van den Hengel

2016-05-23 55