0
| 本文作者： AI研習社 | 2020-02-13 16:00 |
梯度剪切可以加速梯度下降
完成命名實體識別的雙向LSTM+CRF結構
完成命名實體識別的神經網絡結構
自然語言處理（幾乎）從頭開始
免強度函數學習的時間點過程
論文名稱：Why Gradient Clipping Accelerates Training: A Theoretical Justification for Adaptivity
作者：Jingzhao Zhang /Tianxing He /Suvrit Sra /Ali Jadbabaie
發表時間：2019/9/26
論文鏈接：https://paper.yanxishe.com/review/10859?from=leiphonecolumn_paperreview0212
在神經網絡的訓練過程中對梯度進行剪切是最近越來越流行的一個趨勢，但很多人都不清楚這種做法為什么有效。這篇論文就給出了理論解釋以及證明，證明了梯度剪切確實對網絡訓練有幫助作用。
作者們從實際網絡的訓練過程中的平滑性出發，進行了仔細的分析和推理，證明了梯度剪切和梯度正則化兩種常見方法都可以比傳統的固定步驟大小的梯度下降收斂得更快。作者們也做了進一步的解釋，并在常見的網絡訓練設定下通過實驗驗證了他們的理論。
這篇論文得到了審稿人的一致好評，被ICLR2020接收為口頭報告論文。
論文名稱：Bidirectional LSTM-CRF Models for Sequence Tagging
作者：Zhiheng Huang /Wei Xu /Kai Yu
發表時間：2015/8/9
論文鏈接：https://paper.yanxishe.com/review/10858?from=leiphonecolumn_paperreview0212
核心問題：這篇論文是完成命名實體識別的工作，這是一系列使用RNN結構并結合CRF層進行NER的工作的文章之一。
創新點：本論文的創新點是使用了雙向LSTM+CRF作為網絡模型，這種創新的意義都是結構上的創新，很多時候模型的效果就是結構上的創新。
研究意義：證明BI-LSTM-CRF模型可以有效地利用過去和未來的輸入信息。
論文名稱：Neural Architectures for Named Entity Recognition
作者：Guillaume Lample /Miguel Ballesteros /Sandeep Subramanian /Kazuya Kawakami
發表時間：2016/4/7
論文鏈接：https://paper.yanxishe.com/review/10857?from=leiphonecolumn_paperreview0212
推薦原因
核心問題：本文是完成是nlp領域中經典的命名識別識別的問題，本論文可以說是承上啟下的作用，它的做法改變了之前的做法，并且之后的很多任務都是使用這樣的基本結構。
創新點：先前的使用的核心模型都是CNN，本文中使用RNN代替CNN，并且搭建了一套RNN+CRF的模型結構，這種模型結構效果不錯
研究意義：通過實現效果，在英語、荷蘭語、德語以及西班牙語上使用LSTM-CRF的實驗都證明了能夠獲得較好的NER性能，并且在沒有任何人工標注特征的條件下，在英語上獲得非常好的性能。
論文名稱：Natural Language Processing (Almost) from Scratch
作者：Ronan Collobert /Jason Weston /Leon Bottou /Michael Karlen /Koray Kavukcuoglu /Pavel Kuksa
發表時間：2011/1/10
論文鏈接：https://paper.yanxishe.com/review/10856?from=leiphonecolumn_paperreview0212
推薦原因
本文所解決得核心問題：這個論文提出了一種深度神經網絡得方法來完成多種nlp任務，比如詞性標注、組塊、命名實體識別和語義角色標記。
研究重點：本文算是很早使用深度學習得方法來做類似得任務，它比機器學習得優勢就是不懂手動得來構建特征，并且不需要根據任務得不同構建不同得特征。它通過兩個網絡模型來完成，一個網絡模型用于提取局部的特征，另外一個網絡模型用于提取全局特征。
研究意義：本文使用得核心思想是多任務訓練得思路，具體來說先訓練好word embedding，然后使用該詞向量完成之后得子任務，并且取得了良好得表現。
這篇文章核心使用得是卷積神經網絡，其實有些時候我發現在文本領域，卷積神經網絡取得的效果也是不錯得。
論文名稱：Intensity-Free Learning of Temporal Point Processes
作者：Shchur Oleksandr /Bilo? Marin /Günnemann Stephan
發表時間：2019/9/26
論文鏈接：https://paper.yanxishe.com/review/10386?from=leiphonecolumn_paperreview0212
推薦原因
時間點過程是一類有效的用于建模連續時間域的異步事件序列方法。該方法在事件預測，因果分析，圖建模等方向有著廣泛的應用。使用該方法的一個核心問題是條件強度函數的設計。然而簡單的指定強度函數(指數分布族等)會造成模型表達能力有限，復雜的方式又會造成強度函數中survival積分項計算困難，需要借助數值方法求解。本文另辟蹊徑，不再建模強度函數，而是分別提出基于流的方法和混合高斯的方法直接建模條件概率。最后的實驗在時間序列預測等任務上達到或者超過了目前的sota, 并且所提出方法非常適合用于學習序列embedding和缺失信息情況下的序列問題。
為了更好地服務廣大 AI 青年，AI 研習社正式推出全新「論文」版塊，希望以論文作為聚合 AI 學生青年的「興趣點」，通過論文整理推薦、點評解讀、代碼復現。致力成為國內外前沿研究成果學習討論和發表的聚集地，也讓優秀科研得到更為廣泛的傳播和認可。
我們希望熱愛學術的你，可以加入我們的論文作者團隊。
加入論文作者團隊你可以獲得
1.署著你名字的文章，將你打造成最耀眼的學術明星
2.豐厚的稿酬
3.AI 名企內推、大會門票福利、獨家周邊紀念品等等等。
加入論文作者團隊你需要：
1.將你喜歡的論文推薦給廣大的研習社社友
2.撰寫論文解讀
如果你已經準備好加入 AI 研習社的論文兼職作者團隊，可以添加運營小姐姐的微信，備注“論文兼職作者”
雷鋒網雷鋒網雷鋒網
相關文章：
今日 Paper | 小樣本學習；機器學習；單幅圖像去霧 ；零樣本目標檢測等
今日 Paper | 可視問答模型；神經風格差異轉移；圖像壓縮系統 ；K-SVD圖像去噪等
今日 Paper | 依賴性解析器；DNNs對圖像損壞；高效人臉特征學習 ；虛擬試穿統一框架等
今日 Paper | 模態平衡模型；組合語義分析；高表達性SQL查詢；多人姿態估計模型等
今日 Paper | 多人姿勢估計；對話框語義分析；無監督語義分析；自然語言處理工具包等
今日 Paper | 多人線性模型；身體捕捉；會話問答；自然語言解析；神經語義
今日 Paper | 手部和物體重建；三維人體姿態估計；圖像到圖像變換等
今日 Paper | 動態手勢識別；領域獨立無監督學習；基于BERT的在線金融文本情感分析等
今日 Paper | 新聞推薦系統；多路編碼；知識增強型預訓練模型等
今日 Paper | 小樣本學習；視覺情感分類；神經架構搜索；自然圖像摳像等
今日 Paper | 蚊子叫聲數據集；提高語音識別準確率；對偶注意力推薦系統等
今日 Paper | 人臉數據隱私；神經符號推理；深度學習聊天機器人等
今日 Paper | 虛擬試穿網絡；人群計數基準；聯邦元學習；目標檢測等
今日 Paper | 人體圖像生成和衣服虛擬試穿；魯棒深度學習；圖像風格遷移等
今日 Paper | 隨機微分方程；流式自動語音識別；圖像分類等
今日 Paper | 高維感官空間機器人；主動人體姿態估計；深度視頻超分辨率；行人重識別等
今日 Paper | 3D手勢估計；自學習機器人；魯棒語義分割；卷積神經網絡；混合高斯過程等
今日 Paper | 精簡BERT；面部交換；三維點云；DeepFakes 及 5G 等
今日 Paper | 虛假新聞檢測；馬爾可夫決策過程；場景文本識別；博弈論框架等
今日 Paper | 問答系統；3D人體形狀和姿勢；面部偽造檢測；AdderNet等
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
