https://blog.csdn.net/tmb8z9vdm66wh68vx1/article/details/78454080
来源：PaperWeekly
本文长度为600字，建议阅读5分钟
本文为你列出八篇自然语言处理、计算机视觉及机器学习领域前沿的论文及代码。
[ 自然语言处理 ]
SLING: A framework for frame semantic parsing
@paperweekly 推荐
#Semantic Parsing
一个非常快的 semantic parsing 工具，工作来自 Google。
论文链接：
http://www.paperweekly.site/papers/957
代码链接：
https://github.com/google/sling
Optimal Hyperparameters for Deep LSTM-Networks for Sequence Labeling Tasks
@wangmuy 推荐
#Sequence Labeling
通过超过 50000 次实验，综合评价序列标注任务（POS，Chunking，NER，Entities，Events）中的超参数作用。将比较有名的序列标注都实现了一遍，并大量实验求证超参数的作用。
论文链接：
http://www.paperweekly.site/papers/962
代码链接：
https://github.com/UKPLab/emnlp2017-bilstm-cnn-crf
Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering
@jamiechoi 推荐
#QA
目前 coco leaderboard 第二名，来自微软的论文。 提出了自下而上（bottom-up）和自上而下的 attention (top-down) 机制。其中 bottom-up 是利用 Faster R-CNN 提出图像区域，每个区域都具有相关联的特征向量，而 top-down 的机制确定特征的权重。
论文链接：
http://www.paperweekly.site/papers/754
代码链接：
https://github.com/peteanderson80/bottom-up-attention
[ 计算机视觉 ]
Progressive Growing of GANs for Improved Quality, Stability, and Variation
@Gapeng 推荐
#GAN
NVIDIA 新作，更稳定的 GAN 训练，以及更高分辨率的图像生成，1024*1024 超高分辨率的 CelebA 图像生成。
论文链接：
http://www.paperweekly.site/papers/1008
代码链接：
https://github.com/tkarras/progressive_growing_of_gans
Learning to Compose Domain-Specific Transformations for Data Augmentation
@corenel 推荐
#Data Augmentation
提出了一种不需要特定领域知识的数据扩增的方法，能够生成大量标记样本，并且不损失类别信息。按文中所说，确实能够提升一定的分类模型的精度。
论文链接：
http://www.paperweekly.site/papers/919
代码链接：
https://github.com/HazyResearch/tanda
Class-specific Poisson denoising by patch-based importance sampling
@falconwj 推荐
#Image Denoising
将图像降噪问题与高级视觉问题联系在一起，有针对性的对不同图像内容进行不同程度的降噪。解决了现有手法（BM3d）在 texture 图像降噪上的过处理问题。
论文链接：
http://www.paperweekly.site/papers/999
代码链接：
https://github.com/Ding-Liu/DeepDenoising
[ 机器学习 ]
Reinforcement Learning for Bandit Neural Machine Translation with Simulated Human Feedback
@paperweekly 推荐
#Deep Reinforcement Learning
EMNLP 2017 论文，通过增强学习的方法来做 NMT，提出了一种 actor-critic 与 encoder-decoder 结合的框架。
论文链接：
http://www.paperweekly.site/papers/951
代码链接：
https://github.com/khanhptnk/bandit-nmt
Gated Orthogonal Recurrent Units: On Learning to Forget
@datou 推荐
#RNN
文章是在 GRU 的基础上做了两个修改，一是将参数矩阵 U 变为正交矩阵，而是将 tanh 改为论文提的 modelRELU，对于某些实验有较明显的提高。
论文链接：
http://www.paperweekly.site/papers/1002
代码链接：
https://github.com/jingli9111/GORU-tensorflow