Paraphrase Thought：Sentence Embedding Module Imitating Human Language Recognition

句子嵌入式NLP領(lǐng)域的重要話題，不同的句子嵌入模型在文本情感分析、句子分類等任務(wù)中都有很好的標(biāo)簽。但是由于文本分類或情感分析可以通過(guò)簡(jiǎn)單的句子表示方法提高，所以這些模型不能完全反映句意。這篇論文受人類語(yǔ)言認(rèn)知的啟發(fā)，作者提出了一種語(yǔ)義一致性的概念，即相似的句子應(yīng)該在嵌入空間中位于相近的位置。并提出了名為Paraphrase Thought的概念，盡可能地追求語(yǔ)義的連貫。

地址：https://arxiv.org/abs/1808.05505

2

Deeper Image Quality Transfer：Training Low-Memory Neural Networks for 3D Images

深度學(xué)習(xí)在處理3D、高分辨率、多通道的醫(yī)學(xué)影像時(shí)常需要大量?jī)?nèi)存。這篇論文的作者使用高效的內(nèi)存反向傳播技術(shù)，減少了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的內(nèi)存復(fù)雜性，與之前相比提高了內(nèi)存，將均方根誤差減少了13%。

地址：https://arxiv.org/abs/1808.05577

3

Combining time-series and textual data for taxi demand prediction in event areas：a deep learning approach

精準(zhǔn)的時(shí)間序列預(yù)告對(duì)交通、能源、金融、經(jīng)濟(jì)等領(lǐng)域都非常重要。但是現(xiàn)代技術(shù)都是通過(guò)時(shí)間數(shù)據(jù)來(lái)建立預(yù)測(cè)模型，通常忽略了非結(jié)構(gòu)化文本之下有價(jià)值的信息。本篇論文的作者提出了兩種深度學(xué)習(xí)架構(gòu)，利用詞嵌入、卷積層和注意力機(jī)制結(jié)合了文本信息和時(shí)序數(shù)據(jù)。并將這兩種架構(gòu)用在紐約的出租車(chē)需求預(yù)測(cè)上，結(jié)果發(fā)現(xiàn)模型能有效減少錯(cuò)誤的預(yù)報(bào)。