【科技刀】Papers|韩松、朱俊彦等人提出GAN压缩法;西湖大学登Science封面，7( 三 ) 机器之心&ArXivWeeklyRadiostation

作者：YifanSun、ChangmaoCheng、YichenWei等论文链接：https://arxiv.org/pdf/2002.10857.pdf摘要：深度特征学习有两种基本范式，分别是使用类标签和使用正负样本对标签进行学习。使用类标签时，一般需要用分类损失函数（比如softmax+crossentropy）优化样本和权重向量之间的相似度；使用样本对标签时，通常用度量损失函数（比如triplet损失）来优化样本之间的相似度。这两种学习方法之间并无本质区别，其目标都是最大化类内相似度（s_p）和最小化类间相似度（s_n）。在这篇论文中，来自旷视研究院、北航、澳大利亚国立大学和清华大学的研究者提出用于深度特征学习的CircleLoss ，从相似性对优化角度正式统一了两种基本学习范式（分类学习和样本对学习）下的损失函数。通过进一步泛化， CircleLoss获得了更灵活的优化途径及更明确的收敛目标，从而提高所学特征的鉴别能力；它使用同一个公式，在两种基本学习范式，三项特征学习任务（人脸识别，行人再识别，细粒度图像检索），十个数据集上取得了极具竞争力的表现。

文章图片
降低(s_n-s_p)的常用优化方法与新提出的降低(α_ns_n?α_ps_p)的优化方法之间的对比。

文章图片
使用ResNet34主干网络在LFW、YTF和CFP-FP上的人脸识别准确度。

文章图片
在CUB-200-2011、Cars196和StanfordOnlineProducts上与当前最佳结果的比较，这里报告的是R@K（%）。推荐：实验表明，在人脸识别、行人再识别、细粒度的图像检索等多种深度特征学习任务上， CircleLoss都取得了极具竞争力的性能。该论文入选CVPR2020OralPresentation 。论文6：StructuralbasisfortherecognitionofSARS-CoV-2byfull-lengthhumanACE2
作者：RenhongYan、YuanyuanZhang、QiangZhou等论文链接：https://science.sciencemag.org/content/367/6485/1444摘要：西湖大学周强实验室在论文《StructuralbasisfortherecognitionoftheSARS-CoV-2byfull-lengthhumanACE2》中，首次公开了新型冠状病毒表面S蛋白受体结合结构域与细胞表面受体ACE2全长蛋白复合物的三维结构，展示了新冠病毒侵染人体细胞的详细过程。这项成果登上了最新一期《Science》杂志的封面。从结构上来说，病毒由一个核酸长链（DNA或RNA）和蛋白质外壳构成。在感染宿主细胞的过程中，病毒表面的蛋白会与人体表面的受体结合，就像一只手抓住了门把手。而在新冠病毒中，「这只手」就是病毒表面的S蛋白，它的目标就是抓住「门把手」ACE2受体。

文章图片
ACE2受体、受体蛋白和表面蛋白。

文章图片
在周强团队的不懈努力下，我们得以洞悉新冠病毒S蛋白与ACE2的高分辨率三维空间结构。上图为其受体结合区域的复合物结构图。

文章图片
RBD（receptorbindingdomain）和ACE2的相互作用示意图。推荐：随着新冠病毒感染人数在各个国家和地区的激增，西湖大学的这项研究或许可以为全球对抗疫情做出贡献。论文7：JuliaLanguageinMachineLearning:Algorithms,Applications,andOpenIssues
作者：KaifengGao、JingzhiTu、SalvatoreCuomo等论文链接：https://arxiv.org/pdf/2003.10146v1.pdf摘要：机器学习正在推动科学和工程学许多领域的发展。一种简单而有效的编程语言可以加速机器学习在各个领域的应用。当前，最常用于开发机器学习算法的编程语言包括Python、MATLAB和C/C++ 。但是，这些语言都无法很好地兼顾效率和简单性。 Julia语言是一种快速且易于使用的开源编程语言，最初是为高性能计算而设计的，可以很好地平衡高效性和简单性。本文总结了Julia语言在机器学习中的应用方面的相关研究工作和发展。首先调查了以Julia语言开发的流行机器学习算法；然后研究了使用Julia语言实现的机器学习算法的应用；最后讨论了在机器学习中使用Julia语言所产生的开放性问题和潜在的未来方向。