Paper 研習社本周論文推薦精選 | 第九期

①

#人工智能# #機器學習#

《讓AI忘記你：機器學習中的數據刪除》

推薦理由：

這篇論文被NeurIPS接收，討論的是機器學習中用戶數據控制權的問題。

隨著Google、Facebook等大公司關于用戶隱私的新聞不斷，用戶越來越關心自己的數據使用權和隱私問題。這篇論文要解決的問題就是用戶如何控制機器學習模型何時可以使用他們的數據，而何時不可以。這篇論文提出了一個新任務，即如何從訓練好的模型中刪除某些訓練數據。針對這個新任務的現有方法大多是從頭開始在剩余數據上進行訓練，而這種方法通常會耗費大量計算資源。這篇論文研究了有效刪除數據的方法，并且對于k-Means聚類方法提出了兩個有效的刪除方法，實現了平均100倍的效率提升。

這篇論文要解決的問題具有非常好的實用意義。用戶的數據控制和隱私問題已經引起了大眾越來越多的關注，而如何更好地進行用戶數據控制是值得進一步研究的問題。

論文鏈接：

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

推薦人：琴?福克納（清華大學信息與通信工程專業，Paper 研習社特約作者）

②

#機器學習#

《基于機器學習的無人機探測和分類：最新研究進展》

推薦理由：

這篇論文要解決的是無人機探測和分類的問題。

隨著商用無人機的流行，它們也對機場、軍事設施、體育場館等帶來了不同程度的威脅。然而由于無人機“低小慢”的特點，傳統的雷達很難及時和準確地監測到無人機的出現。最近人們提出了多種無人機的監測方法，包括視覺、聲音和無線頻譜指紋等。為了分析和處理這些信號，機器學習和深度學習等方法正發揮越來越大的作用。

研究意義：這篇論文對無人機探測和分類的相關研究進行了很好的總結，能夠讓后續的研究人員快速了解這個領域的發展現狀并且開展新的研究。

論文鏈接：

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

推薦人：琴?福克納（清華大學信息與通信工程專業，Paper 研習社特約作者）

③

#深度學習# #邊緣計算#

《邊緣智能：基于邊緣計算的深度學習模型推斷加速方法》

推薦理由：

核心問題：這篇論文討論的是如何將深度學習模型高效地部署在資源受限的終端設備的問題。

創新點：這篇論文描述了將學習模型部署在資源受限的邊緣設備的兩種方法：

（1）模型切分，將費時的計算密集型層通過網絡卸載到計算能力稍大的服務器，以較小的通信開銷換取邊緣端的處理延遲；

（2）模型精簡，設計訓練退出點對應不同的網絡大小，根據具體應用需求選擇不同的退出點以減少計算負擔從而減少總延遲。作者們提出了一種名為Edgent的在滿足時間約束下自動選擇最優分割點和退出點，以最大化推斷準確度的按需協同推理框架，并通過實驗驗證了Edgenet比其他框架具有更好的包容性和準確率，以及更低的延遲。

研究意義：這篇論文推動了將邊緣計算思想用于人工智能的研究，能夠促進邊緣計算和人工智能這兩個領域的交叉研究。

論文鏈接：

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

推薦人：馬歇爾?多蘿

④

#計算機視覺# #模式識別#

《隨音樂起舞》

推薦理由：

核心內容：這篇論文被NeurIPS錄用為Poster，要解決的是讓計算機根據一段音樂自動生成為舞蹈動作的問題。

這個問題要求模型能夠對音樂與舞蹈之間的關聯進行合理的度量，例如音樂和舞蹈的風格與節奏。這篇論文提出了一種分析兼綜合的學習框架來解決這個問題。在分析階段，學習框架通過學習動態來將舞蹈拆解為一系列基礎的舞蹈單元。在綜合階段，學習框架通過無縫對照輸入音樂來組織各種基本舞蹈動作，以此學會如何創作一支舞蹈。實驗結果表明，這個學習框架可以從音樂中合成逼真、多樣、風格一致和節拍匹配的舞蹈。

創新點：這篇論文的立意比較新穎，作者放出的Demo視頻效果也很好，能夠被NeurIPS接收也反映了這篇論文的價值。

論文鏈接：

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

推薦人：朱恩?勞森

⑤

#計算語言學# 

《利用同步歌詞和人聲特征進行音樂情感檢測》

推薦理由：

音樂推薦中的關鍵點之一是根據情感和情感創作引人入勝的播放列表。雖然以前的作品主要基于音頻來發現音樂和播放列表，但我們利用同步歌詞數據集以新穎的方式結合了文本表示和音樂特征。

因此，作者介紹了同步歌詞情感數據集。與隨機利用音頻樣本和整個文本的其他方法不同，作者的數據是根據歌詞和音頻之間的同步提供的時間信息進行拆分的。這項工作顯示了使用自然語言處理和音樂信息檢索領域的不同技術對基于文本和基于音頻的深度學習分類模型的比較。從音頻實驗可以得出結論，僅使用人聲而不是全部音頻數據可以改善音頻分類器的整體性能。

創新點：在歌詞實驗中，作者利用最先進的詞表示法將其應用于文獻中可用的主要深度學習架構。在其基準測試中，結果顯示了基于fastText單詞嵌入的具有Attention的Bilinear LSTM分類器如何比應用于音頻的CNN更好。

論文鏈接：

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

推薦人：Furion

???

除了上述的的五篇精選論文推薦，我們還為你精心準備了可以一鍵下載的論文集：

ICCV 2019論文合集 1075篇

下載地址：https://www.yanxishe.com/resourceDetail/1055

ICLR 2019 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1026

ACL 歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1009

ICCV 2019 | 最新公開的51篇 Oral Paper 合集

下載地址：https://www.yanxishe.com/resourceDetail/1010

EMNLP 2019 | 10篇論文實現代碼合集及下載

下載地址：https://www.yanxishe.com/resourceDetail/1013

NeurIPS 2019 GNN 論文合集

下載地址：https://www.yanxishe.com/resourceDetail/1006

AAAI （1996-2019）歷年最佳論文合集

下載地址：https://www.yanxishe.com/resourceDetail/991

快來下載試試吧！

想要閱讀更多精彩論文？

點擊閱讀原文跳轉 paper.yanxishe.com

雷鋒網雷鋒網雷鋒網