Today Paper | Güçlendirmeli Öğrenme; Yeniden Yapılandırılabilir GAN'lar; BachGAN; Zaman Serisi Sınıflandırması, vb.
içindekiler
Çıkarılan özetleri pekiştirmeli öğrenme yoluyla sıralayınSoyut metin özetlemesi için derinliğe dayalı yinelemeli nesil kod çözücü
Kontrol edilebilir görüntü sentezinin düzenini ve stilini öğrenmek için yeniden yapılandırılabilir GAN'lar
BachGAN: Çıkıntılı nesnelerin düzenine dayalı yüksek çözünürlüklü görüntü sentezi
Zaman serisi sınıflandırması: en yakın komşu vs derin öğrenme modeli
Çıkarılan özetleri pekiştirmeli öğrenme yoluyla sıralayın
Bildiri Başlığı: Pekiştirmeli Öğrenme ile Çıkarımsal Özetleme için Sıralama Cümleleri
Yazar: Shashi Narayan
Yayınlanma zamanı: 2018/5/17
Kağıt bağlantısı:
Önerilen neden
Bu makalenin araştırma içeriği ve yeniliği:
Bu, metin özetleriyle ilgili bir makaledir. Şu anda, akademik topluluk tek bir belge özetini "belgenin daha kısa bir versiyonunu oluştururken ana bilgi içeriğini korumak" olarak tanımlamaktadır. Bu bağlamda, yazar metin özetlerini çıkarma görevini cümleleri sıralama görevine dönüştürür ve ROUGE'yi pekiştirmeli öğrenme yoluyla küresel olarak optimize eder. İndeksi değerlendirmek için, bir çıkarma özet modeli geliştirilmiştir.Bu modelin eğitim algoritması, mevcut görevle ilgili kayıp fonksiyonunu öğrenirken ve optimize ederken aday özetinin boyutlarını incelemektir. Deneysel sonuçlar, pekiştirmeli öğrenmenin, modelimizi bilgilendirici, akıcı ve özlü bilgiler üretmesi için yönlendirebilecek iyi bir yöntem sağladığını göstermektedir. Özetin CNN ve DailyMail veri kümelerindeki performansı, bilinen modellerden daha iyidir.
Soyut metin özetlemesi için derinliğe dayalı yinelemeli nesil kod çözücü
Kağıt adı: Soyut Metin Özetleme için Derin Tekrarlayan Üretken Kod Çözücü
Eser sahibi: Piji Li
Düzenlenme zamanı: 2017/5/11
Makaleye bağlantı: https://www.aclweb.org/anthology/D17-1222.pdf
Önerilen neden
Bu makalenin araştırma amacı ve yeniliği:
Bu makale, metin özetleri oluşturma görevi için yeni bir model önermektedir.Bu modelin çerçevesi, bir diziden diziye yönelimli kodlayıcı / kod çözücü modeli olan Derin Özyinelemeli Üretken Kod Çözücüye (DRGN) dayanmaktadır. DRGN modeli için, öğrenme amacı modelde rastgele gizli bilgileri yinelemeli olarak gizlemektir.Bu rastgele gizli bilgileri öğrenmek, oluşturulan metin özetinin kalitesini iyileştirmek için son derece önemlidir. Son olarak, yazar kıyaslama veri seti üzerinde birçok deney yaptı Deneyler, DRGD modelinin metin özetleme görevini etkili bir şekilde çözebileceğini gösteriyor.
Kontrol edilebilir görüntü sentezinin düzenini ve stilini öğrenmek için yeniden yapılandırılabilir GAN'lar
Bildiri Başlığı: Kontrol Edilebilir Görüntü Sentezi için Öğrenme Düzeni ve Stil Yeniden Yapılandırılabilir GAN'lar
Yazar: Sun Wei / Wu Tianfu
Gönderme süresi: 2020/3/25
Makaleye bağlantı: https://arxiv.org/abs/2003.11571v1
Önerilen neden
Bu makale, mizanpajdan imaja problemini çözmek, yani gerçek imajları mekansal mizanpaj bilgisi ve stil bilgisi aracılığıyla sentezleyebilen üretken bir model öğrenmektir. Bu makale ilk olarak, görevi düzenden maskeye, görüntüye, yani giriş düzeni ile bileşik görüntü arasındaki boşluğu doldurmak için giriş düzenindeki belirli bir sınırlayıcı kutunun nesne maskesinin nasıl genişletileceğini öğrenmeyi önerir. Bu temelde, bu makale üretken bir yüzleşme ağına dayalı bir düzen-maskeden-görüntüye yöntemi önermekte ve görüntü ve maskenin iki seviyesinde stil kontrolü gerçekleştirmektedir. Görüntü düzeyinde stil kontrolü, sıradan GAN'larınkiyle aynıdır; nesne maskesi düzeyinde stil kontrolü ise yeni bir özellik normalleştirme şeması, örnek hassasiyeti ve düzen algılama normalizasyonu ile gerçekleştirilir. Yeni yöntem, COCO-Stuff veri kümesi ve görselleştirme genom veri kümesi üzerinde doğrulandı ve iyi bir performans elde etti.
BachGAN: Çıkıntılı nesnelerin düzenine dayalı yüksek çözünürlüklü görüntü sentezi
Bildiri Başlığı: BachGAN: Çıkık Nesne Düzeninden Yüksek Çözünürlüklü Görüntü Sentezi
Yazar: Li Yandong / Cheng Yu / Gan Zhe / Yu Licheng / Wang Liqiang / Liu Jingjing
Gönderme süresi: 2020/3/26
Makaleye bağlantı: https://arxiv.org/abs/2003.11690
Önerilen neden
Bu makale, göze çarpan nesnelerin düzeninden yüksek kaliteli görüntüler oluşturmak olan yeni bir problem önermektedir. Bu problemde, kullanıcı sadece nesnenin düzenini, yani ön plan sınırlayıcı kutusu ve kategorisini sağlar ve model arka planı icat eder ve çizimi tamamlamak için ön planı eşleştirir. Bu sorunu çözmek için, bu makale bir arka plan halüsinasyon üreten düşmanca ağ (Background Hallucination Generative Adversarial Network, BachGAN) önermektedir, önce arka plan alma modülü aracılığıyla büyük bir aday kitaplığından bir grup segmentasyon haritası seçin ve ardından Aday düzenleri, belirli bir nesne için uygun arka planı yanılsamaya kodlanır. BachGAN, dinamik olarak yanılsama arka plan temsilleri oluşturarak, yüksek çözünürlüklü görüntüleri gerçekçi ön plan ve eksiksiz arka planla sentezleyebilir. Şehir Manzaraları ve ADE20K veri kümeleri üzerinde yapılan deneyler, üretilen görüntünün görsel doğruluğu ve çıktı görüntüsü ile girdi düzeni arasındaki görsel hizalama açısından BachGAN'ın mevcut yöntemlerden üstün olduğunu kanıtlıyor.
Zaman serisi sınıflandırması: en yakın komşu vs derin öğrenme modeli
Kağıt adı: Zaman serisi sınıflandırması: en yakın komşuya karşı derin öğrenme modelleri
Yazar: Weiwei Jiang
Gönderme süresi: 2020/3/20
Kağıda bağlantı: https://link.springer.com/article/10.1007/s42452-020-2506-9
Önerilen neden
Derin öğrenme yöntemleri, görüntü işleme ve diğer konularda büyük başarılar elde ederken, dinamik zaman atlama (DTW) algoritmaları gibi geleneksel yöntemler hala tek boyutlu zaman serilerinin sınıflandırılmasında önemli bir yer tutmaktadır. Son yıllarda birçok çalışma, tam evrişimli ağlar ve artık ağlar gibi derin öğrenme modellerinin, bazı zaman serisi sınıflandırma problemlerinde geleneksel modellerin ötesinde performans elde ettiğini göstermiştir. Bu makale, UCR'nin 128 zaman serisi veri setinde 8 farklı metrik ve 3 farklı derin öğrenme modeline dayalı olarak en yakın komşu yöntemini kapsamlı bir şekilde değerlendirerek derin öğrenme modelinin geleneksel mesafe ölçüm yöntemini aşıp aşmadığını cevaplamaya çalışmaktadır. Çok sayıda deney, tam evrişimli ağın ve artık ağın ortalama doğruluğunun geleneksel mesafe ölçüm yönteminden daha iyi olmasına rağmen, iki yöntemin, istatistiksel test perspektifinden dinamik zaman atlamasına ve gerçek telafi düzenleme mesafesine dayalı olanlardan önemli ölçüde daha iyi olmadığını göstermiştir. yöntem.
