机器心脏ArXiv每周电台
参与：杜威、初航、罗若天。
本周重要论文包括ACL 2020发表的最佳论文、最佳主题论文、最佳演示论文等获奖论文，以及麻省理工学院和香港科技大学学者的贝叶斯深度学习综述论文。
目录：
超越准确性：使用清单对NLP模型进行行为测试
向NLU:攀登：数据时代的意义、形式和理解
GAIA:一个细粒度的多媒体知识抽取系统
贝叶斯深度学习综述
用于视觉识别的深度等距学习
数据科学：全面概述
用于属性图嵌入的自适应图编码器
ARIV每周电台：NLP、CV和ML的更多精选论文(带音频)
论文：超越准确性：模型的行为测试与清单
作者：马尔科图利奥里贝罗，吴同双，卡洛斯盖斯特林，萨米尔辛格
论文链接：https://www.aclweb.org/anthology/2020.acl-main.442.pdf
虽然保持精度的测量是评估模型泛化性能的主要方法，但它通常会高估NLP模型的性能，而其他评估模型的替代方法要么关注单个任务，要么只关注特定行为。
受软件工程中行为测试原理的启发，本研究提出了一种任务无关的NLP模型测试方法——CheckList。CheckList不仅包含一些常用的语言能力和测试类型，以促进全面的测试，还包括一个软件工具，可以快速生成大量不同的测试用例。研究者在三个任务中检验了清单的有效性，发现商业化模式和SOTA模式都存在严重问题。
一项用户调查显示，负责将情绪分析模型商业化的团队在一个经过大量测试的模型中发现了一个新的bug。在另一项用户调查中，使用CheckList的NLP实践者创建的测试是不使用CheckList的人的两倍，发现的错误是不使用check list的人的三倍。
商业情绪分析模型清单。
010-350000
情绪分析测试。
010-350000
用户调研结果。
推荐：本文获得ACL 2020最佳论文奖。
论文：攀登塔nlu:关于数据时代的意义、形式和理解
作者：艾米丽本德，亚历山大柯勒
论文链接：https://www.aclweb.org/anthology/2020.acl-main.463/
摘要：大规模神经语言学模型已经在许多自然语言处理任务中取得了成功。然而，在这篇论文中，来自华盛顿大学和萨尔大学的两位研究人员发现，这些成功有时被夸大了。这些模型通常被描述为“理解”语言或捕捉语言的“意义”。
根据这项研究，只接受正规训练的系统不具备学习语言意义的能力。在ACL 2020的主题“盘点我们已经去过的地方和将要去的地方”下，本研究认为，清楚地理解“形式”和“意义”的区别将有助于指导该领域自然语言理解的科学发展。
010-350000
研究者使用的例子。
推荐：本文获得ACL 2020最佳主题论文奖。
论文：Gaia :a细粒度多媒体知识抽取系统
作者：李曼玲，阿里扎扎雷安，等
论文链接：https://blender.cs.illinois.edu/paper/aidaacl2020demo.pdf
项目地址：https://github.com/GAIA-AIDA
本文中，来自UIUC、哥伦比亚大学等机构的研究人员提出了首个全面、开源的多媒体知识提取系统，可以提取大量基于不同内容源和语言的非结构化异构多媒体数据，并遵循丰富、细粒度的本体创建连贯、结构化的知识库，索引实体、关系和事件。
本研究提出的系统GAIA可以实现复杂图形查询的无缝搜索，检索文本、图像、视频等多媒体证据。GAIA在最近的NIST TAC SM-KBP2019评估中获得了最高性能。
010-350000
盖亚多媒体知识提取框架。
010-350000
与以往研究中的粗粒度知识抽取系统相比，GAIA支持细粒度的实体、关系和事件抽取。
010-350000
基于人脸识别、地标识别、国旗识别的视觉实体链接实例。
推荐：本文获得ACL 2020最佳演示论文奖。
论文：贝叶斯深度学习综述
作者：王昊，杨迪燕
论文链接：https://arxiv.org/pdf/1604.01662.pdf
一个全面的人工智能系统不仅需要通过视觉和听觉等不同的“感官”来感知环境，还需要对条件，甚至因果关系和相应的不确定性进行推理。在过去的十年中，感知任务取得了重大进展，例如使用深度学习模型的视觉目标识别和语音识别。然而，对于更高级的推理，具有贝叶斯属性的概率图模型(PGM)仍然更加强大和灵活。
近年来，作为统一的概率框架，贝叶斯深度学习(Bayesian Deep Learning，BDL)将深度学习与贝叶斯模型紧密结合。并且在这个通用框架下，利用深度学习来感知文本或图像，可以提高更高级推理的性能。
本文中，来自麻省理工学院和香港科技大学的两位研究人员对贝叶斯深度学习进行了全面的介绍，并总结了贝叶斯深度学习在推荐系统、话题模型和控制方面的最新应用。此外，研究人员还讨论了贝叶斯深度学习与神经网络贝叶斯处理等其他相关主题的联系和区别。
010-350000
贝叶斯深度学习示例的概率图模型结构。
010-350000
左图是协同深度学习的图模型，CDL)，右图是退化协同深度学习的图模型。
推荐：本文的第一篇作品王昊是麻省理工学院CSAIL的博士后研究员，他的论文已经被ACM计算调查所接受。
论文5:用于视觉识别的深度等距学习
作者：祁浩志，崇友，马，吉滕德拉马利克
论文链接：https://arxiv.org/pdf/2006.16992.pdf
摘要：初始化、归一化和跳跃连接被认为是训练深度卷积神经网络并获得最佳性能的三个必要技术。
最近，来自加州大学伯克利分校和圣地亚哥的研究人员发布了一项研究，提出没有归一化和残差连接的深度ConvNet可以在标准图像识别基准上取得优异的性能。实现方法如下：初始化和训练时，使卷积核近似等距；ReLU激活函数的变体用于实现距离保持。
研究人员进行了大量的实验，结果表明这种近似距离保持网络在ImageNet数据集上的性能与ResNet相当，在COCO数据集上甚至超过了ResNet。
010-350000
插图的基本组成部分。网。
010-350000
ISO的Top-1准确率接近ResNet。
010-350000
不同层(18、34、50和101)的ImageNet上ISONet的最高精度。
推荐：用暴力土豪试错的方式寻找网络结构的趋势应该很快会过去。
论文：数据科学3360a综合概述
作者：曹
论文链接：https://arxiv.org/pdf/2007.03606.pdf
在这篇论文中，来自悉尼科技大学的研究人员对数据科学的基础知识进行了全面的概述，涵盖了从数据分析到数据科学的演变、数据科学的概念、数据科学时代的愿景、数据创新的主要挑战和发展方向、数据分析的本质、数据经济中的新型工业化和服务机会、数据教育专业和能力以及数据科学的未来。
010-350000
数据科学领域的一些关键术语。
010-350000
谷歌在线搜索数据科学关键词的逐年变化曲线。
010-350000
数据科学概念图。
推荐：这篇论文首次概述了数据科学领域的全面观点，还提供了关于数据科学和分析的丰富观察、经验教训和思考。
论文7:用于属性图嵌入的自适应图编码器
作者：干渠崔，周杰，程阳，
论文链接：https://arxiv.org/pdf/2007.01594.pdf
摘要：在本文中，来自清华大学等机构的研究者提出了一种新颖的属性图嵌入框架自适应图编码器（自适应图形编码器，年龄).该框架由两个模块组成，其一，为了更好地减轻节点特征中的高频噪声，年龄首次应用了精心设计的拉普拉斯算子平滑滤波器；其二，年龄采用的自适应编码器能够取得滤波后特征的迭代增强，以实现更好的节点嵌入。
在实验部分，研究者使用四个公共基准数据集进行实验，以验证年龄在节点聚类和链路预测任务上的效果。
010-350000
年龄框架图。
010-350000
自适应图编码器算法。
010-350000
年龄与其他方法在节点聚类任务上的实验结果比较。
推荐：实验结果表明，年龄在节点聚类和链路预测任务上始终优于当前新加坡艺术学院图形嵌入方法。
ArXiv每周电台
机器之心联合由楚航、罗若天发起的ArXiv每周广播电台，在七篇论文的基础上，精选本周更多重要论文，包括NLP、CV、ML领域各10篇精选，并提供音频形式的论文摘要简介，详情如下：
本周10 篇自然语言处理精选论文是：
1.使用上下文单词和句子嵌入改进事件检测。(来自伊万杰洛斯米里奥斯)
2.TICO-19:新冠肺炎翻译计划。(来自菲利普科恩)
3.语言模型的动态信息检索增强。(来自大卫麦卡勒斯特)
4.主词向量。(来自约阿基姆尼夫尔)
5.基于贪婪转移的具有离散和连续超级标签特征的依存句法分析。(来自约阿基姆尼夫尔)
6.基于知识图的语义融合改进会话式推荐系统。(来自、纪)
7.解释深度神经网络中的层次语言交互。(来自小艺宝)
8.是什么泄露了答案？视频问答数据集上的问答倾向性分析。(来自路易菲利浦莫伦西)
9.用于引文推荐的学习神经文本表示。(来自马西莫皮卡迪)
10.KQA Pro:大型诊断数据集，用于知识库上复杂问题的回答。(来自李)
本周10 篇履历精选论文是：
1.基于场景背景的长期人体运动预测。(来自吉坦德拉马利克)
2.基于视觉和触觉的三维形状重建。(来自吉坦德拉马利克)
3.标签：一种新的物体检测中间监督方法。(来自孙健张翔宇)
4.自动分配：用于密集对象检测的可区分标签分配。(来自孙健)
5.非盲图像去模糊的端到端可解释学习。(来自孙健，让庞塞)
6.通过示例指导进行视频预测。(来自小康杨，特雷弗达雷尔)
7.人群中的人类轨迹预测：深度学习视角。(来自斯文克里斯)
8.可解释的深一级分类。(来自克劳斯-罗伯特米勒)
9.加速卷积神经网络的动态群卷积。(来自刘莉马蒂皮蒂凯宁)
10.交互式多模态物理模拟平台。(摘自约书亚b特南鲍姆)
本周10 篇机器语言(机器语言)精选论文是：
1.基于生成对立网络的三维拓扑变换。(来自艾伯特-拉斯洛巴拉巴希)
2.完全不平衡标签的网络嵌入。(摘自郑旺、菲利普s于)
3.个性化联合学习：专注的协作方法。(来自江川刘，简佩)
4.学习，同时尊重隐私和对分布不确定性和敌对数据的鲁棒性。(来自王刚，圣乔治b詹纳基斯)
5.神经程序中的强概括和效率。(摘自普什梅特科利、奥里奥尔维尼亚尔斯)
6.通过区域不变表示估计分布转移下的泛化。(来自安东尼奥托拉尔巴)
7.深度局部更新。(来自洛萨蒂勒)
8.pinnersage :推荐的多模态用户嵌入框架。(来自Jure Leskovec)
9.神经子图匹配。(来自Jure Leskovec)
10.基于元梯度的半监督学习。(摘自程明明、明-杨玄)
