深度学习@今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等 |算法|国创上头条|可视化技术|

本文插图
目录通过强化学习对抽取的摘要进行排序
用于抽象文本摘要的基于深度递归生成解码器
用于可控图像合成的学习布局和风格的可重构GANs
BachGAN：基于显著物体布局的高分辨率图像合成
时间序列分类：近邻vs深度学习模型
通过强化学习对抽取的摘要进行排序论文名称：Ranking Sentences for Extractive Summarization with Reinforcement Learning
作者：Shashi Narayan
发表时间：2018/5/17
论文链接：https://paper.yanxishe.com/review/14777?from=leiphonecolumn_paperreview0409
推荐原因
本文的研究内容以及创新点：
这是一篇关于文本摘要的文章。目前，学术界对于单一文档摘要定义为”保留主要信息内容，同时生成较短版本的文档“ ，在此背景下，作者把提取文本摘要的任务转化为句子的排序任务，通过强化学习全局优化ROUGE评估指标，开发了一个提取摘要模型，该模型的训练算法在学习优化与当前任务相关的损失函数的同时，对候选摘要的维度进行的研究。实验结果表明，强化学习提供了一种很好的方法，可以指导我们的模型产生信息丰富，流利且简洁的信息。摘要在CNN和DailyMail数据集上的表现均优于已知模型。

本文插图
用于抽象文本摘要的基于深度递归生成解码器论文名称：Deep Recurrent Generative Decoder for Abstractive Text Summarization
作者：Piji Li
发表时间：2017/5/11
论文链接：https://paper.yanxishe.com/review/14778?from=leiphonecolumn_paperreview0409
推荐原因
本文的研究目的和创新点：
本文针对生成文本摘要任务，提出了一种新的模型，该模型的框架依托深度递归生成解码器（DRGN），它是一种面向序列到序列的编/解码器模型。对于DRGN模型而言，他的学习目标是模型中递归潜在的随机隐含信息，通过学习这些随机隐含信息，对于提高生成文本摘要的质量极为重要。最后，作者在基准数据集上进行了大量实验，实验表明， DRGD模型可以有效的解决文本摘要任务。

本文插图
用于可控图像合成的学习布局和风格的可重构GANs论文名称：Learning Layout and Style Reconfigurable GANs for Controllable Image Synthesis
作者：Sun Wei /Wu Tianfu
发表时间：2020/3/25
论文链接：https://paper.yanxishe.com/review/15417?from=leiphonecolumn_paperreview0409
推荐原因
这篇论文要解决的是布局转图像的问题，即学习一个生成模型，能够通过空间布局信息和样式信息来合成真实图像。这篇论文首先提出了从布局到掩码到图像的任务，即学习如何在输入布局中展开给定边界框的对象掩码，以弥补输入布局与合成图像之间的差距。在此基础上，这篇论文提出了一种基于生成式对抗网络的布局到掩码到图像方法，并在图像和掩模两个层次上进行了风格控制。图像级的样式控制与普通的GANs相同，而对象掩码级的样式控制是通过一种新的特征归一化方案、实例敏感和布图感知归一化来实现的。新方法在COCO-Stuff数据集和可视化基因组数据集上进行了验证，获得了较好的性能表现。

本文插图