nlp paper
1.0.0
私の勉強中に読んだいくつかの論文を更新し、気分が良くなります。古典的なアイデアや斬新なアイデアを備えたいくつかの論文については、それらを注意深く読み、読み取りメモを書き、それらをアップロードして同時に更新します。 （コンテンツはZhihuとCSDNに同期して更新され、論文は時系列で排出されます。
注記：
論文やアーカイブの検索を容易にするために、検索ツールが提供され、使用法は次のとおりです。
python3 search_kits.py
ビッグモデル•クラスタリング•ベクトルリコール•対話システム•対話状態管理•機械学習•言語モデル
データセット•テキストの類似性/一致/分類•深い学習•音声システム•音声認識•モデル
トレーニング前•サブワード•タスクベースの対話•対話ステータス追跡•対話意図の認識•ダイアログスロット充填
GNN•検索対話システム•音声統合•概要•監視なし•データ強化
読解モデル•解釈可能性•プロンプト•評価•対話戦略学習•関係抽出
蒸留•異常検出•自己監視•損失機能•半監視•コミュニティの発見
グラフアルゴリズム•検索•テキストの概要
注：论文按时间排序，并进行分类归档，可直接在本页Ctrl+F查询，或使用上述搜索工具查询（推荐）
下述列表项格式：<标签 | 论文 | 阅读笔记 | 简述 | 作者时间>
[グラフアルゴリズム検索] | Pagerank引用ランキング：Webに注文をもたらす|メモを読む|もともとインターネットWebページの計算方法として使用されていた古典的なPagerankアルゴリズムは、Google Search Engine Webページの並べ替えに使用されました。このアルゴリズムの中心的なアイデアは、指示されたグラフ（加重）にランダムウォークモデル（1次マルコフチェーン）を定義することです。特定の条件下では、限界状況から各ノードにアクセスする確率は、固定分布に収束します。ノードの固定確率値はPagerank値です。これは、ノードの重要性を表すために使用されます| L Page et al、1998
[クラスタリング] |幾何学的推論で正確なk-meansアルゴリズムを加速|メモを読む| K-Meansがコンピューターに導入した論文は、パーティションベースの方法に属し、アイデアは中心点を初期化することです。その後、ヒューリスティックアルゴリズムを介して、「クラスのポイントは十分に近く、クラス間のポイントが十分に近づいています」| et al Dan Pelleg、1999
[異常検出 - 機械学習] | LOF：密度ベースのローカルアウトラリの識別|メモを読む|この記事で提案されているLOFアルゴリズムは、密度ベースのアルゴリズムです。その利点は、データセットのローカルおよびグローバルなプロパティを考慮していることです（ローカルアクセス可能な密度の定義は、実際にK繰り返し以上のポイントがないという仮定を意味します）。外れ値は絶対値によって決定されるのではなく、ドメインポイント密度に対して決定されます。したがって、データセットに異なる密度の異なるクラスターがある場合、LOFアルゴリズムはうまく機能し、中程度および高次元のデータセットにより適しています| Markus M. Breunig et al、2000
[クラスタリング] |平均シフト：機能空間分析に向けた堅牢なアプローチ|メモを読む|実装は、スライドウィンドウのアルゴリズムです。各反復では、スライディングウィンドウの中心が、中心点をウィンドウ内のすべてのポイントの平均位置に移動することにより、より高い密度領域に移動します（したがって、名前）。スライディングウィンドウの密度は、内部のポイントの数に比例します。ウィンドウ内のポイントの平均位置に切り替えることにより、ウィンドウは徐々に高い点密度のある領域に移動します。利点：平均シフトの最大の利点は、手動選択なしでクラスターの数を自動的に発見できることです。クラスターの中心が最大密度ポイントに集約されているという事実も非常に満足のいくものです。これは、データ駆動型に非常に直感的かつ自然に理解できるためです。任意の形状のクラスタークラスを処理できます。アルゴリズムはRADIUSパラメーターのみを設定する必要があり、半径はデータセットのカーネル密度推定に影響します。アルゴリズムの結果は安定しており、k-meansと同様のサンプル初期化を実行する必要はありません。欠点：欠点は、ウィンドウサイズ/半径「R」の選択が自明でない可能性があることです。半径が小さすぎ、収束が遅すぎ、クラスタークラスの数が大きすぎます。半径が大きすぎると設定されており、一部のクラスタークラスが失われる可能性があります。より大きな機能スペースの場合、計算量は非常に大きい| Dorin Comaniciu et al、2002
[ベクターリコール] |丸めアルゴリズムからの類似性推定手法|メモを読む|この論文で提案されているSimhashは、その時点でテキストを推測するためにGoogleが使用するアルゴリズムでした。主な方法は、ドキュメントから特定の数のキーワードを抽出してから、ハッシュコード、1+重量、0体重に従ってハッシュコードに変換し、結果は1の整数に従って取得され、最終的なハッシュコードを取得してから、ハッシュコードをMテーブルに分割し、ハッシュコードを分割し、記憶して計算して検索します。 Moses S. Charikar et al、2002
[グラフアルゴリズム - テキストの概要 - 監視なし] | Textrank：テキストに順序を持ち込む|メモを読む|この記事では、キーワード抽出とドキュメントの概要のためのグラフベースのソートアルゴリズムを提案します。 Pagerankアルゴリズムによって改善されます。ドキュメント内の単語間の共起情報（セマンティクス）を使用してキーワードを抽出し、抽出された自動抽象メソッドを使用してテキストの重要な文を抽出します。 TF-IDFメソッドと比較して、テキスト要素間の関係を完全に利用できます。もちろん、それはまた、単語分詞、停止単語、テキストクリーニングの影響を受けます| Rada Mihalcea et al、2004
[クラスタリング] | k-means ++：慎重な播種の利点|メモを読む|元のK-Means（ランダムに選択されたクラスターセンター）は、初期化クラスターセンターに敏感であるため、K-Means ++が改善され、最初の初期中心点をランダムに選択し、他のポイントと中心点の間の距離を計算し、より高い確率の高い距離に応じて2番目の初期中心点を選択します。 et al David Arthur、2006年
[クラスタリング] |データポイント間にメッセージを渡してクラスタリング|メモを読む|基本的なアイデアは、すべてのサンプルをネットワークのノードと見なし、ネットワーク内の各エッジのメッセージ伝達を通じて各サンプルのクラスタリングセンターを計算することです。クラスタリングプロセス中に、各ノードの間に2種類のメッセージが渡されます。つまり、責任と可用性があります。 APアルゴリズムは、M高品質のエクスペンプルが生成されるまで、反復プロセスを介して各ポイントのアトラクション値と属性値を継続的に更新します。利点は、クラスタリング「番号」パラメーターを指定する必要がないことです。クラスタリング中心点は、実際のサンプルポイントから生成されます。初期値は鈍感であり、距離マトリックスの対称性の要件はありません。 APは類似性マトリックスを入力してアルゴリズムを起動するため、データは非対称であることが許可され、データは非常に適用可能であり、データは非常に堅牢で、エラーは低くなります。欠点は、APクラスタリングアプリケーションで優先順位と減衰要因を手動で指定する必要があることです。これは実際には元のクラスター「番号」コントロールのバリアントであり、アルゴリズムは比較的複雑です| Brendan J. Frey et al、2007
[Cluster-community discovery-graphアルゴリズム] |複雑なネットワーク上のランダムウォークのマップは、コミュニティ構造を明らかにします|メモを読む1 /読み取りノート2 |動的コミュニティディスカバリーアルゴリズムに属するクラシックインフォマップアルゴリズム。 Infomaの中心的なアイデアは、転送確率を構築し、グラフ上のランダムウォークを実行し、ターゲットを最小限に抑えてクラスタリングを完了するために階層エンコードを実行することにより、シーケンスを作成することです。説明する必要があるいくつかのポイントがあります。（1）たとえば、加重グラフに基づいて転送確率の構築は、重量を正規化することによって確率が得られます（最適化の目標は相対的な確率のみを見るため、実際には正規化するかどうかは問題ありません）。 （2）ランダムウォークとは、グラフの確率に応じてあるポイントから別のポイントにジャンプすることによって得られたパスシーケンスを指します（実現にシーケンスを実際に生成する必要はありません。目標は、安定性を実現するためにこのランダムシーケンスを最適化することです）。 （3）いわゆる最小化の目標は、階層エンコードスキームの下で得られた最小情報エントロピー（最も短いコーディング長）目的関数です。 （4）クラスにマージされたノードのリンクは、近隣ノードが順番に配置されているクラスに各ノードを割り当て、平均ビットがノードに最大値を落としたときにクラスを割り当てることです。落ちない場合、ノードのクラスは変更されていません。 Infomapアルゴリズムには非常に明確な情報理論の説明があり、ハイパーパラメーターはほとんどありません（唯一の「旅行確率」パラメーター）| M. Rosvall et al、2007
[Community Discovery-Clustering-Graphアルゴリズム] |大規模なネットワークでコミュニティ構造を検出するための近くの線形時間アルゴリズム|メモを読む| LPAは、ラベルの伝播に基づくコミュニティ発見アルゴリズムです。その核となるアイデアは複雑ではありません。グラフのノードの一意のラベル（プッシュアルゴリズム）を初期化し、各反復でノードをランダムに選択し、それに接続されたノードが属するラベルに従って独自のラベルを変更します。選択方法は、数、重量などに基づいている場合があります。複数の同一のものがある場合、複数の反復後に安定するまでランダムに選択されます。 LPAアルゴリズムはシンプルで、指定された数のコミュニティを必要としませんが、欠点はアルゴリズムプロセスの更新順序とランダム選択であり、アルゴリズムを不安定にします。改善のためのエントリポイントは、当然、これら2つの側面から開始することです| Usha Nandini Raghavan et al、2007
[クラスタリング] |スペクトルクラスタリングのチュートリアル|メモを読む|元の論文ではありませんが、この記事ではスペクトルクラスタリングについて非常によく説明しています。スペクトルクラスタリングは、Laplacian Eigenmapsを使用してデータの次元を減らすことです（簡単に言えば、データを隣接マトリックスまたは類似性マトリックスに変換し、Laplacianマトリックスに変換し、ラプラシアンマトリックスの機能分解を実行し、当時はより小さなK機能ベクターを使用します。スペクトルクラスタリングは良い方法です。通常、効果はK-meanよりも優れており、計算の複雑さは低く、次元削減の効果のおかげですべてが低くなります。利点：スペクトルクラスタリングには、データ間の類似性マトリックスのみが必要なため、まばらなデータのクラスタリングに非常に効果的です。これは、K-Meansなどの従来のクラスタリングアルゴリズムで達成することは困難です。次元削減を使用するため、高次元データクラスタリングの処理の複雑さは、従来のクラスタリングアルゴリズムの複雑さよりも優れています。短所：最終クラスターの寸法が非常に高い場合、スペクトルクラスタリングの動作速度と最終クラスタリング効果は、次元低下が不十分なため良くありません。クラスタリング効果は同様のマトリックスに依存し、異なる類似のマトリックスによって得られる最終的なクラスタリング効果は非常に異なる場合があります| Ulrike von Luxburg et al、2007
[異常検出 - モデル - 機械学習] |分離林|ノート1 /読書ノート2 /読書ノート3 |古典的な孤立した森林アルゴリズムの最初の論文である拡張バージョンは2012年に公開されました。分離森林は、アンサンブルに基づく高速な外れ値検出方法です。これは、主に線形時間の複雑さと高精度を持つ連続構造データの異常ポイントをターゲットにしています。その理論的根拠は、（1）サンプルサイズに対する異常なデータの割合が非常に少ないことです。 （2）異常な点の固有値は、通常のポイントとは大きく異なります。孤立した森林はシンプルで効率的ですが、たとえば、データの分布は特徴的な軸に沿っていないが、ランダムに分布しているか、流れ型分布であるため、孤立した森林の効果は良くないため、別の方法を選択することを検討する必要があります。 Fei Tony Liu et al、2008
[コミュニティディスカバリーグラフアルゴリズム] |大規模なネットワークでのコミュニティの急速な展開|メモ1を読む|ノート2を読む|モジュールの最適化に基づいたコミュニティディスカバリーアルゴリズムであり、ヒューリスティックな貪欲なアルゴリズムであるクラシックルーバンアルゴリズム。プロセスは次のとおりです。（1）最初に、各頂点はコミュニティとして扱われ、コミュニティの数は頂点の数と同じです。 （2）各頂点を隣接する頂点と順番に組み合わせて、最大モジュールの程度ゲインが0を超えるかどうかを計算し、最大モジュールの程度増分を持つ隣接するノードが配置されているコミュニティにノードが配置されます。 （3）アルゴリズムが安定するまで、2番目のステップを反復します。つまり、すべての頂点が属するコミュニティはもはや変更されなくなります。 （4）各コミュニティのすべてのノードを1つのノードに圧縮し、コミュニティのポイントの重みが新しいノードリングの重量に変換され、コミュニティ間の重みが新しいノードエッジの重量に変換されます。 （5）アルゴリズムが安定するまで手順1〜3を繰り返します。一般に、効果を評価するために使用されるモジュラーインデックスは、0.3〜0.7の間に明確なコミュニティ構造を持つと考えられています。 Louvain Algorithmの利点は、大規模なネットワークおよびコミュニティ部門の結果に適し、安定した特定の指標を備えた、自然に階層的である、低い時間の複雑さ（NLOGN）があることです。欠点は、「過剰適合」に簡単につながる可能性があることです。 | Vincent D. Blondel et al、2008
[ダイアログシステムダイアログの状態管理] |隠された情報状態モデル：POMDPベースの音声対話管理のための実用的なフレームワーク|対話に関する記事は、関連する背景知識を補足するために使用できます| Young et al、2010
[ベクターリコール] |最近傍検索の製品量子化|メモを読む|このペーパーは、PQアルゴリズムの成功です。 PQは量子化法であり、基本的にはデータの圧縮式です（このホワイトペーパーでは、Kmeansアルゴリズムを使用して、質量の中心を持つコードブックを取得します）。最初に、ベクトルはMセグメントに分割され、各セグメントはコードブックに従って圧縮ベクトルに変換され、次にSDCまたはADCアルゴリズムを使用して同様の検索が実行されます。ただし、このペーパーはさらに改善され、IVFADCアルゴリズムを提案しました。これは、逆指数に基づくADCアルゴリズムであり、2つのステップに分割されました。最初のステップは、PQを1回（粗い量子化器に）、次にベクトルで量子化されたベクトルを差し引き、残差を取得します。 2番目のステップは、得られたすべての残差セットでPQを1回実行し、最後に結果のベクトルを使用して逆インデックスを確立することです。 Herve Jegou et al、2011
[クラスタリング] |スケーラブルなk-means ++ |メモを読む| K-Means ++は、サンプリング戦略のために並行するのが困難であり、大規模なデータセットでの使用を制限しています。この問題を解決するために、K-Means IIはサンプリング戦略（オーバーサンプリングの形で）を変更し、中心点を初期化し、ログ（n）時間を使用して、確率計算式に従って一度にセンターセットに追加します。最終候補センターセットは、K-Means ++を介してクラスター化され、Kクラスターセンターを選択します。 Bahman Bahmani et al、2012
[ベクターリコール] |マルチインデックスハッシュで空間をハミングする速い検索|メモを読む|主に、ハミング空間でクエリとKNNクエリのR neighborsを解くために、このペーパーでは、マルチセグメントインデックスを備えたハッシュメソッドを提案しています。クエリの効率はサブリニアリティに達します。この方法は、ハミングコードをMセグメントに分割し、各セグメントのハミング距離の結果をR/M未満で迅速に見つけることです。すべての結果は、候補セットにマージされます| Mohammad Norouzi et al、2012
[ベクターリコール] |クリックスルーデータを使用して、Web検索の深い構造化されたセマンティックモデルの学習|メモを読む|古典的なDSSMセマンティック類似性マッチングモデルは、通常ダブルタワーモデルと呼ばれるものです。 Word HashingのN-Gramを使用することは、当時非常にユニークでした。その中心的なアイデアは、クエリとドキュメントを共通ディメンションのセマンティック空間にマッピングし、クエリとDOCセマンティックベクトルのコサインの類似性を最大化することでした。負のサンプリング1：4 | PO-Sen Huang et al、2013
[機械学習] |分散機械学習用のパラメーターサーバー|メモを読む|この記事で導入されたパラメーターサーバーは、第3世代のPSに属し、サーバーグループやアーキテクチャのいくつかのワーカーグループを含むより一般的な設計を提供し、次の機能を提供します。 Mu Li et al、2013
[ベクターリコール] |最適化された製品量子化|メモを読む| PQは、相関を削除せずに元の固有ベクトルを直接的かつ単純に、そして大まかにセグメント化する方法です。相関関係を削除してから、PQを実行して検索効果を改善します。 OPQは、各部分空間で情報のバランスをとる方法を提供します。つまり、直交マトリックスを使用してクラスターセンターを回転させ、ノンパラメトリックおよびパラメトリックの2つのアルゴリズムのアイデアを提供します| Tiezheng Ge et al、2013
[言語モデル] |ベクトル空間での単語表現の効率的な推定|メモを読む| Word2Vecの先駆的な作品の1つ。トレーニングの2つのトリックに特化した：階層ソフトマックスとネガティブサンプリング| Tomas Mikolov et al、2013
[言語モデル] |単語とフレーズの分散表現とその構成|メモを読む| Word2Vecの先駆的な作品の1つは、前身に基づいたより合理化された言語モデルフレームワークを提案し、単語ベクトルを生成するために使用されます。このフレームワークはWord2vec |ですTomas Mikolov et al、2013
[ベクターリコール] |内部生産スペースのユークリッド変換を使用してXbox推奨システムをスピードアップする| Microsoftの内部製品クイック計算方法は、主に内製品TOP-K検索の問題を解決します。さまざまな式を介してユークリッド距離検索の問題に問題を単純化した後、PCA-Treeを使用してそれを解決します。 Yoram Bachrach et al、2014
[機械学習] |パラメーターサーバーを使用した分散機械学習のスケーリング|メモを読む| PSでは、各サーバーは実際に割り当てられたパラメーターの部分のみを担当します（サーバーはグローバル共有パラメーターを共同で維持しています）、各作業にはデータと処理タスクの一部のみが割り当てられます。以前の記事と比較して、PSはそれをより詳細に説明し、いくつかの詳細を拡大しました。 2つの記事の組み合わせは多くの利益をもたらしました| Mu Li et al、2014
[ベクターリコール] |航行可能な小さな世界グラフに基づく近似隣接アルゴリズム|メモを読む|おおよそのDGグラフの構築に基づいたクラシックNSWアルゴリズムは、高速道路メカニズムを追加します。構築するときは、放棄されたリストとダイナミックリストを使用して、Yury Malkov et al、2014
[データセット] | 2番目のダイアログ状態追跡チャレンジ| DSTCシリーズコーパスは、非常に古典的なダイアログ状態追跡に特別に使用されていますが、その公式Webサイトは役に立たないようです。 Henderson et al、2014
[ベクターリコール] |近隣の近隣のおおよその検索のためのローカルで最適化された製品量子化| LOPQは、OPQに基づいてさらに最適化されています。 OPQは、コードブックの回転問題のみを考慮します。 LOPQは、各サブスペースが異なる回転を実行すると考えています| Yannis Kalantidis et al、2014
[ベクターリコール] |サブリンタイムの最大内製品検索（MIPS）の非対称LSH（ALSH）|メモを読む|従来のMIPSの問題はLSH関数を見つけることができません。この論文では、「非対称LSH」のアルゴリズムが提案されています。そのコアテクニックは、「非対称変換」を介してベクターを構築して、MIPSの結果に見られるセットxのベクトル弾性率の影響を排除することです。問題をユークリッド距離に巧みに変換し、LSH関数を介してNNの近似ソリューションを見つける問題| Anshumali Shrivastava et al、2014
[グラフアルゴリズム-GNN-MODEL-UNSUPERVISED] | Deepwalk：社会的表現のオンライン学習|注1 /読むメモ2 |この記事で提案されているディープウォークは、グラフの埋め込みをバイパスできないことを理解する方法です。コアのアイデアは、ランダムウォークを使用してグラフのノードをサンプリングすることです。これにより、グラフのノード間の共起関係を使用して、ノードのベクトル表現を学習します（アイデアはWord2Vecスキップグラムから生まれます）。全体が2つのステップに分かれています。最初のステップは、サンプリングノードシーケンスをランダムに歩き、Skip-Gramを使用して表現ベクトルを学習することです。 Bryan Perozzi et al、2014
[言語モデルテキストの類似性/マッチング/分類] |文の分類のための畳み込みニューラルネットワーク|古典的なTextcnn、静的/非静的ないくつかの固有ベクトル学習方法| Yoon Kim et al、2014年
[深い学習] |ニューラルマシン翻訳BU共同で整列して翻訳することを学習します| Bahdanauの注意の元のテキスト| Bahdanau et al、2014年
[深い学習] |制約された時間コストでの畳み込みニューラルネットワーク|畳み込みネットワークの深さとフィルターサイズの間の計算コストとトレードオフの適切な概要| Kaiming He et al、2014
[音声システムスピーチ認識モデル] |音声認識のための注意ベースのモデル| Tacotron2が使用する場所に敏感な注意| Chorowski et al、2015
[対話システム] |役割に依存するLSTMレイヤーを使用したコンテキスト敏感な音声言語理解| LSTMを使用してSLUで行われた作業、エージェントおよびクライアントの役割部門を通じて、複数回の会話の曖昧さを解決できます| Hori et al、2015
[深い学習] |バッチ正規化：内部共変量シフトを減らすことにより、ディープネットワークトレーニングの加速|メモを読む|クラシックバッチ正規化オリジナルペーパー| Sergey et al、2015
[蒸留-PREトレーニング] |ニューラルネットワークで知識を蒸留する|メモを読む|蒸留法の先駆的な作業は、複雑なモデルの知識を単純なモデルに転送します。特定の方法は、複雑な分類モデル（教師）のソフトマックスに温度パラメーターを追加し、ハードターゲットでトレーニングすることです。モデルのソフトマックスの出力は、必要なソフトターゲットです。次に、シンプルなモデルを使用して、ソフトとハードターゲットに基づいてトレーニングします。単純なモデルがソフトターゲットでトレーニングされると、ソフトマックスの温度は教師の温度と同じに設定されます。ハードターゲットがトレーニングされると、温度が設定され、次に損失計算が使用され、2つのターゲットの交差エントロピーの加重平均（ソフトターゲットの出力データと小さなモデルのクロスエントロピー、ハードターゲットの出力データと小さなモデルのクロスエントロピー）が計算されます。さらに、勾配計算式変換により、温度が特に大きい場合（およびモデルによって生成されるロジットは0）、知識の蒸留は、大きなモデルのロジットのMSEと小さなモデルのロジットに相当します。 Geoffrey Hinton et al、2015
[GNN-GRAPH ALGORITHM-MODEL-UNSUPERVISED] |ライン：大規模な情報ネットワーク埋め込み|メモを読む|この記事で提案されている行方法は、ドメインのような仮定に基づく方法であるグラフ埋め込みに適用されます。合計で、この記事では、2つの次元での類似性計算の視点を提案します。（1）一次グラフに適しているため、グラフで直接接続されている2つの点が類似していると考えられているため、目的は2つの点のベクトル表現分布を可能な限り類似にすることです。 （2）2次は、ノードと見なされる無向グラフまたは指示されたグラフに適しています。独自の表現ベクトルを学習することに加えて、直接隣接するノード（コンテキストベクトルとして）を表すための表現も必要です。 2つのノードが直接接続されていない場合、隣のノードが重複する場合、コンテキストベクトルを使用して類似性を計算できます。ノード番号シーケンス番号と埋め込み層でエンコードされています。両方の方法は、目的関数としてKL Divergenceによって最適化および計算されます| Jian Tang et al、2015
[モデル] |高速道路ネットワーク|メモを読む| Highway Networksの名前の取得は非常に興味深いものであり、ネットワーク構造のアイデア全体も命名に沿っています。簡単に言えば、関数T（LSTMのゲートアイデアから描画）を設定することにより、ネットワークの出力を制限することです。 tを取得すると、出力はy = xです。この時点で、勾配は次の層に直接送信されます。つまり、勾配伝達はtを介して制御できるため、勾配消失の問題をある程度解決できます。 Highwayのパラメーターは少なく、単一の非線形層の変換に適しています| Rupesh Kumar Srivastava et al、2015
[深い学習] |効率的なニューラルネットワークのためのウェイトと接続の両方を学ぶ|コンピューティングとメモリアクセスの相対的なコストをリストし、ニューラルネットワークを合理化する方法を議論することに加えて、テーブルがあります。 Song Han et al、2015
[モデル] |ポインターネットワーク|メモを読む|元のテキストは、凸型の船体の解決を中心に設計されたネットワーク構造です。注意の重みは、入力のスケールに適応できる予測に直接使用されます。多くのネットワーク構造アプリケーションは、後にOOVの問題を解決するためのコピーメカニズムに開発されました| Oriol Vinyals et al、2015
[Dialogue System-Model] |ニューラル会話モデル| SEQ2SEQ構造の対話モデル| Oriol et al、2015
[データセット] | Ubuntuダイアログコーパス：非構造化されたマルチターンダイアログシステムの研究のための大規模なデータセット| Ubuntu非構造化マルチラウンドダイアログデータセット| Ryan Lowe et al、2015
[ベクターリコール] |クラスタリングは、おおよその最大内製品検索に効率的です| K-meansを使用して木を構築するk-meansツリー| Alex Auvolat et al、2015
[モデル] |非常に深いネットワークのトレーニング|メモを読む|深いCNNスタッキングネットワークに基づいたクラシックハイウェイネットワークは、変換ゲートとキャリーゲート（実際、ショートカットとして統一された）を使用して、ディープネットワークでの訓練の問題と困難の問題を解決するために、深い層に浅い機能情報を提供する| Rupesh Kumar Srivastava et al、2015
[深い学習] |注意ベースのニューラル機械翻訳への効果的なアプローチ| Luongの注意のオリジナルテキスト| Luong et al、2015
[トレーニング前 - 言語モデル] |キャラクター認識の神経言語モデル|サブワード依存関係をエンコードする強力で強力な言語モデルを提供します。以前のモデルではまれな単語の問題を解決し、より少ないパラメーターを使用して同等の表現力を取得する| Yoon et al、2015
[モデルとサブワード] |サブワードユニットを使用した希少語のニューラル機械翻訳|それは私たちがよく知っているバイトペアのエンコードであり、これは新しいバイトを形成するために頻繁に表示されるバイトペアを使用する方法です| Sennrich et al、2015
[ベクターリコール] |ディープ圧縮：剪定、訓練された量子化、ハフマンコーディングを伴う深いニューラルネットワークを抑制する|メモを読む| ICLRの最高の論文、主なコンテンツは、ディープラーニングネットワークパラメーターの圧縮に関するものです。ネットワークの剪定、つまりネットワークを最初にトレーニングし、次に非常に小さな重みでいくつかの接続を剪定し（しきい値で決定）、ネットワークを再トレインする3つのステップに分割されます。 2番目のステップは、重量を定量化することです。 3番目のステップは、ハフマンコーディングを使用してロスレスエンコード| Song Han et al、2015
[機械学習] |最適なホワイトニングと脱線| 5つのホワイトニング方法の数学的証明| Agnan Kessy et al、2015
[深い学習] |大型語彙神経言語モデルをトレーニングするための戦略|メモを読む|それは主にその時点でいくつかのソフトマックスとサンプリングを要約し、差別化されたソフトマックス法を提案します| Wenlin Chen et al、2015
[機械学習モデル] | xgboost：スケーラブルなツリーブーストシステム|メモを読む1 /読み取りノート2 |この記事で提案されているXgboostは、ブーストに基づく統合アルゴリズムです。より正確には、XGBoostには数学的原則とエンジニアリングの実装の最適化が含まれており、より高い精度、強い柔軟性、並列コンピューティングなど、多くの利点があります。一般的に、一部のビジネスシナリオでは、ベースライン（データサイエンス競争の統合は脳なしで行うことができます）をパッケージxgboost | Tianqi Chen et al、2016
[クラスタリング] |サブリンタイムでのk-means ++おおよその|メモを読む| K-MC2は、K-Means IIのサンプリング方法とは異なります。 MCMCサンプリングを使用します。主なアイデアは、K-Means ++のサンプリング方法をMCMC（Markov Chain Monte Carlo）ベースのサンプリング方法に置き換えることです（MCMCの導入については、MCMCランダムサンプリングを参照してください）。 MCMCメソッドは、長さmのシーケンスをサンプリングするために使用され、最後（k-1）数は初期化の中心点として使用されます。ターゲット分布は距離の関数です。距離が長くなるほど、確率が大きくなります（式の意味はk-means ++と同じです）。提案分布は、通常の関数、1/サンプル番号です。 | Olivier Bachem et al、2016
[クラスタリング] | k-meansのための高速で実証的に良い播種|メモを読む| AFK-MC2はK-MC2の改善に基づいています。 K-MC2の提案分布は正常な関数であり、十分に堅牢ではないため、AFK-MC2は距離関連の分布を元の分布の用語として追加し、提案分布を最適化します| Olivier Bachem et al、2016
[モデル] |画像認識を読むための深い残留学習メモ|ディープCNNスタッキングネットワークに基づいたクラシックリセネットは、残留接続（ResNetの2レイヤーまたは3層）を使用して、深さモデルの分解問題を解決します。最適な残差構造は、BNとRELUの両方を前進させ、活性化前になることです。 Kaiming He et al、2016
[モデルテキストの類似性/一致/分類] |文を学習するためのシャムの再発アーキテクチャ| Siamese LSTM、文の類似性を計算するために使用されるモデル| Jonas Mueller et al、2016年
[モデルテキストの類似性/一致/分類] | SAIMESE Recurrent Networksとのテキストの類似性の学習| The network contains 4 layers of BiLSTM (64-d hidden), the hidden state and cell state of BiLSTM of the last layer are concat, and then averaged in the timestep dimension, followed by a Dense layer (the activation function is tanh), and the two Embedding Spaces are calculated by Cosine sim, and the obtained similarity score E is used for the calculation of the loss function. The loss function uses a comparison loss function, and the calculation method is, the positive example of the loss function: 1/4(1-E)^2, and the negative example: E^2 (if E<m), otherwise 0 | Paul Neculoiu et al, 2016
[深度学习] | Exploring the Limits of Language Modeling | CNN Softmax方法，虽然还是离不开原始的Softmax，但是换了一个视角效果很好| Rafal Jozefowicz et al,2016
[深度学习] | Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks | Weight Normalization是一种在权值维度上进行归一化的方法| Tim Salimans et al,2016
[模型] | Incorporating Copying Mechanism in Sequence-to-Sequence Learning | 阅读笔记| CopyNet模型，使用Copying Mechanism来缓解未登录词问题的模型，在文本摘要等生成词多含输入词的任务中，效果不错| Jiatao Gu et al,2016
[向量召回] | Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs | 阅读笔记| HNSW算法，在NSW的基础上，引入层次结构实现Expressway mechanism，达到顶层粗查，底层细查的思路| Yu. A. Malkov et al,2016
[模型-Subword] | Achieving Open Vocabulary Neural Machine Translation with Hybrid Word-Character Models | 一个非常出色的框架，主要是在word-level进行翻译，但是在有需要的时候可以很方便的使用Character-level的输入| Luong et al,2016
[对话系统-任务型对话] | A Network-based End-to-End Trainable Task-oriented Dialogue System | 阅读笔记| 非常值得一读的任务型对话模型架构| Wen et al,2016
[深度学习] | Training Deep Nets with Sublinear Memory Cost | keras_recompute | 这篇论文整体上讲了一个以时间换空间的省显存的trick，即gradient checkpointing，通过丢弃低运算成本操作的结果，也就是把中间结果feature map 一个都不保留，全部干掉，反向传播时重新计算出来（当然，论文折中是每隔sqrt(n)保留一个feature map）。能够把内存降低sqrt(n) 分之一，超越大多数节省内存的奇淫巧技，具体实现可参考tf.recompute_grad，或者的一个开源实现| Tianqi Chen et al,2016
[模型-Subword] | Learning Character-level Representations for Part-of-Speech Tagging | Character-level去构建word-level，该网络结构主要是对字符进行卷积以生成单词嵌入，同时使用固定窗口对PoS标记的字嵌入进行操作| Jason et al,2016
[语言模型-文本相似度/匹配/分类] | Very Deep Convolutional Networks for Text Classification | VDCNN，character level，只利用小尺度的卷积核池化操作，包含了29个卷积层。效果提升并不是很明显吧，不过亮点在于CNN层数比较深，从某种程度上证明了类似ResNet那样的Shortcut connections可以降低梯度消失带来的影响，从而提升效果| Alexis Conneau et al, 2016
[模型-语言模型] | A Joint Model for Word Embedding and Word Morphology | 该模型的目标与word2vec相同，但是使用的是Character-level的输入，它使用了双向的LSTM结构尝试捕获形态并且能够推断出词根| Kris et al,2016
[对话系统-对话状态跟踪] | Neural Belief Tracker: Data-Driven Dialogue State Tracking | 阅读笔记| NBT框架，理解Belief state和tracking的好文| Young et al,2016
[Machine Learning] | Gaussian Error Linear Units (GELUS) | Reading Notes | The goal of GELU is to add regularization to activation (with the ability to fit nonlinearly). ReLU will deterministically multiply the input by a 0 or 1, while Dropout will be randomly multiplied by a 0. GELU also realizes this function by multiplying the input by 0 or 1, but whether the input is multiplied by 0 or 1 is randomly selected depending on the input's own distribution at the same time.言い換えれば、0であるか1であるかは、現在の入力が他の入力よりも大きい金額に依存します。 Since the input x of neurons often follows a normal distribution (especially Normalization is common in deep networks), GELU can be defined as a "cumulative distribution function of standard normal distribution". Using erf, the formula can be obtained: x/2*(1+erf(x/sqrt(2))) | Dan Hendrycks et al, 2016
[GNN-图算法-模型-无监督] | node2vec: Scalable Feature Learning for Networks | 阅读笔记1 / 阅读笔记2 | 本文提出的node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法，整体算法思路框架继承了DeepWalk，通过随机游走获取序列，并通过Word2Vec学习表示向量。不同于DeepWalk的是，其使用了有偏的随机游走，同时通过p和q两个参数，以alias采样的方式来控制序列游走的方向（是选择邻接节点还是二度节点） | Aditya Grover et al, 2016
[GNN-图算法-模型-无监督] | Structural Deep Network Embedding | 阅读笔记1 / 阅读笔记2 | 本文提出的SDNE模型是和Node2Vec同年提出的graph embedding方法，可以看作是基于LINE方法的扩展。SDNE使用一个自动编码器结构来同时优化1阶和2阶相似度(LINE是分别优化的)，学习得到的向量表示能够保留局部和全局结构，并且对稀疏网络具有鲁棒性。通过输入的邻接矩阵和网络重构出的邻接矩阵计算一阶二阶损失函数，并配合一个正则项组成联合损失函数进行优化| Daixin Wang et al, 2016
[模型-文本相似度/匹配/分类] | Bag of Tricks for Efficient Text Classification | 阅读笔记| 比较经典的FastText，比较依赖Word Embedding的质量（槽点本身难点就在于embedding，结果文章不谈这个），整个网络结构使用N-gram，对得到的Embedding求和，并过两个Dense然后输出，本身网络结构就那没啥，当然fast啦，外加论文具体加了hashing trick，hierarchical softmax等进行加速、内存优化| Armand Joulin et al,2016
[模型-语言模型] | Enriching Word Vectors with Subword Information | word2vec的升级版，对于具有大量形态学的稀有词和语言有更好的表征，它也可以说是带有字符n-gram的w2v skip-gram模型的扩展| Piotr et al,2016
[深度学习] | Layer Normalization | 阅读笔记| 层归一化方法，针对Batch Normalization的改进| Jimmy et al,2016
[深度学习] | Instance Normalization:The Missing Ingredient for Fast Stylization | Instance Normalization是一种不受限于批量大小的算法专门用于Texture Network中的生成器网络| Dmitry Ulyanov et al,2016
[对话系统-对话意图识别-对话槽位填充] | Attention-Based Recurrent Neural Network Models for Joint Intent Detection and Slot Filling | 使用Attention-Based的RNN模型进行联合意图识别和槽位填充，达到不错的效果| Bing Liu et al,2016
[GNN-文本相似度/匹配/分类-图算法] | Semi-supervised classification with graph convolutional networks | 阅读笔记1 / 阅读笔记2 | 这就是非常经典的GCN啦，GCN对非结构化数据构造特征节点，进而构造graph，通过使用邻接矩阵、度矩阵等图结构对输入的节点embedding进行优化学习（本质上是一种局部加权求和的方式，类似Attention的思想，不过有很多trick在里面，比如对称归一化等），能够通过相邻节点传递特征信息。GCN能够有效地提取空间特征来进行机器学习，虽然目前在NLP任务中的表现不算特别突出，但是它的功劳在于提供一种处理、研究的模型，扩广了解决方案的思路| Thomas N. Kipf et al,2016
[深度学习] | Efficient softmax approximation for GPUs | 阅读笔记| Adaptive Softmax，针对GPU的矩阵计算，实现了多倍与普通Softmax计算效率的提升，值得一看| Edouard Grave et al,2016
[机器学习] | An overview of gradient descent optimization algorithms | 阅读笔记| 对当前主流的梯度下降算法进行概述| Sebastian Ruder et al,2016
[模型-Subword] | Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation | wordpiece作为BERT使用的分词方式，其生成词表的方式和BPE非常相近，区别在于BPE选择频率最高的相邻字符对进行合并，而wordpiece是基于概率生成的| Yonghui et al,2016
[模型-Subword] | Fully Character-Level Neural Machine Translation without Explicit Segmentation | 比较经典的Character-Level的Subword算法模型| Jason et al,2016
[深度学习] | Categorical Reparameterization With Gumbel-Softmax | 阅读笔记| Gumbel Max由来已久，而这篇文章就是基于Gumbel Max，首次提出并应用Gumbel Softmax的。目标就是使用梯度估计的方法，来解决Categorical Distribution中，使用类似argmax操作导致网络不可微的问题。文章主要探讨了部分隐变量是离散型变量的变分推断问题，比如基于VAE的半监督学习| Eric Jang et al,2016
[对话系统-检索式对话系统] | Sequential Matching Network: A New Architecture for Multi-turn Response Selection in Retrieval-Based Chatbots | 阅读笔记| SMN检索式对话模型，多层多粒度提取信息| Devlin et al,2016
[深度学习] | Large-Margin Softmax Loss for Convolutional Neural Networks | 阅读笔记| L-Softmax在原Softmax的基础上增加了控制系数m，使得类内距离尽可能小，类间距离尽可能大| Weiyang Liu et al,2016
[深度学习] | An empirical analysis of the optimization of deep network loss surfaces | 论文中得出一个结论，即Batch Normalization更有利于梯度下降| Shibani et al,2016
[模型-语言模型] | Language Modeling with Gated Convolutional Networks | 阅读笔记| 受LSTM门控机制的启发，将线性门控机制应用于卷积结构，文中对比GLU、GTU等结构性能| Yann N. Dauphin et al,2016
[语音系统-语音合成] | Tacotron: A Fully End-To-End Text-To-Speech Synthesis Model | 阅读笔记| Tacotron，端到端的语音合成系统| Yuxuan et al,2017
[模型] | Densely Connected Convolutional Networks | 阅读笔记| CVPR 2017的Best Paper，提出了DenseNet，借鉴highway networks和ResNet的思路，DenseNet将shortcut用到了“极致”——每两层之间都添加shortcut，当然具体实现中使用了一些tricks防止模型过大的问题| Gao Huang et al,2017
[模型-语言模型] | A Simple But Tough-To-Beat Baseline For Sentence Embeddings | Smooth Inverse Frequency，一种简单但是效果好的Sentence Embedding方法| Sanjeev Arora et al,2017
[深度学习] | Sigmoid-Weighted Linear Units for Neural Network Function Approximation in Reinforcement Learning | 提出SILU激活函数，其实从某种角度讲就是GELU激活的一种近似，x*sigmoid(x) | Stefan Elfwing et al,2017
[深度学习] | Cosine Normalization: Using Cosine Similarity Instead of Dot Product in Neural Networks | Cosine Normalization是一种将unbounded的向量点积换成夹角余弦操作，从而进行归一化的方法| Luo Chunjie et al, 2017
[Deep Learning] | Massive Exploration of Neural Machine Translation Architectures | Reading Notes | Shows the first large-scale analysis of NMT architecture hyperparameters as an example, experiments bring novel insights and practical suggestions to build and expand NMT architectures. | Denny et al, 2017
[GNN-Graph Algorithm-Model-Unsupervised] | struct2vec: Learning Node Representations from Structural Identity | Reading Note 1 / Reading Note 2 | | The struct2vec method proposed in this article is used for graph embedding. Compared with the classic DeepWalk and Node2Vec methods (focusing on the similarity of directly connected nodes), struct2vec, like its name, focuses on the structural similarity of nodes, which makes it possible to represent two nodes with very far distances but similar structures (connection degree, local topology). The general process is divided into four steps: (1) Calculate the structural similarity of each node pair according to neighbor information at different distances, which involves the calculation of structural similarity at different levels, where DTW (a dynamic programming method) is used to calculate the distance of the orderly sequence; (2) Build a multi-level weighted network M, where the nodes in each level are composed of nodes in the original network, and the distance of the orderly sequence corresponding to their number of layers is calculated; (3) Generate a random walk in M and sample the context for each node; (4) Use word2vec method to learn the node representation of each node for the sampled random walk sequence | Leonardo FR Ribeiro et al, 2017
[模型] | Get To The Point: Summarization with Pointer-Generator Networks | 阅读笔记| 结合Copying Mechanism和Coverage mechanism两种技巧的LSTM-Base模型，一定程度上解决OOV和重复词问题，经典值得一读| Abigail See et al,2017
[深度学习] | SphereFace: Deep Hypersphere Embedding for Face Recognition | 阅读笔记| A-Softmax，思路和L-Softmax差不多，区别是对权重进行了归一化| Weiyang Liu et al,2017
[模型-语言模型] | Supervised Learning of Universal Sentence Representations from Natural Language Inference Data | InferSent，通过不同的encoder得到Sentence Embedding，并计算两者差值、点乘得到交互向量，从而得到相似度| Alexis Conneau et al,2017
[对话系统-对话意图识别] | Latent Intention Dialogue Models | 阅读笔记| 离散潜在变量模型学习对话意图的框架| Wen et al,2017
[模型-预训练-语言模型] | Attention Is All You Need | 阅读笔记| Transformer的开山之作，值得精读| Ashish et al,2017
[社区发现-综述] | Network Community Detection: A Review and Visual Survey | 阅读笔记| 一篇关于社区发现的综述，文章对社区发现概念和发展进行了介绍，并对当下社区发现算法按照分类进行了细致的介绍，包括传统的社区发现技术、基于分裂的社区发现技术、基于模块化优化的社区发现技术、重叠社区发现技术、动态社区发现技术等| Bisma S. Khan et al, 2017
[Deep Learning] | ProjectionNet: Learning Efficient On-Device Deep Networks Using Neural Projections | Reading Notes | A joint framework called ProjectionNet can train lightweight device-side models for different machine learning model architectures. | Google et al, 2017
[深度学习-损失函数] | Focal Loss for Dense Object Detection | 阅读笔记| 分类问题我们一般使用交叉熵损失函数，交叉熵损失函数是平等对待正负样本的，当正负样本不均衡的时候，正样本总的损失会淹没小量负样本总的损失，导致模型最终的学习方向并不会把重点放在负样本上，解决方案就是增加负样本的权重，减少正样本的权重，从而是模型重点倾向于学习负样本的规律。这种方式还是不能解决easy/heard samples的问题，Focal loss对交叉熵损失函数增加了一个调制因子，实现对easy samples的降权，从而使模型训练的损失可以集中在比较难学习的负样本上| Tsung-Yi Lin et al,2017
[对话系统-任务型对话-对话状态跟踪] | An End-to-End Trainable Neural Network Model with Belief Tracking for Task-Oriented Dialog | 阅读笔记| 面向任务的对话系统的新型端到端可训练神经网络模型| Liu et al,2017
[数据集] | DailyDialog: A Manually Labelled Multi-turn Dialogue Dataset | 数据集地址| 包含对话意图和情感信息的多轮对话数据集| Yanran Li et al, 2017
[机器学习] | Swish: A Self-Gated Activation Function | 提出的Swish激活函数，通SILU激活函数一样，没啥差别，x*sigmoid(x) | Prajit Ramachandran et al,2017
[综述-对话系统] | A Survey on Dialogue Systems:Recent Advances and New Frontiers | 对话系统的最新研究和方向| Chen et al,2017
[语音系统-语音合成] | Natural TTS Synthesis By Conditioning Wavenet On Mel Spectrogram Predictions | 阅读笔记| Tacotron2，相较于Tacotron有着更好的性能，使用WaveNet作为Vocoder | Jonathan et al,2017
[异常检测-机器学习] | XGBOD: Improving Supervised Outlier Detection with Unsupervised Representation Learning | 本文主要是提出一种通过无监督算法来增广特征，进而融合原始特征用于XGB的有监督的训练思路，命名为XGBOD。在ADBench中，半监督的总体效果来讲好于直接使用XGB，监督学习的情况下，指标提升差不了多少（然后XGBOD在训练代价上更大），因此在有监督的情况下，直接使用XGB作为baseline更加简单直接一些| Yue Zhao et al, 2018
[数据集] | LCQMC: A Large-scale Chinese Question Matching Corpus | LCQMC，开放域的中文语义相似度语料，更加侧重于intent相似，总共26万的文本对| Xin Liu et al,2018
[数据集] | The BQ Corpus: A Large-scale Domain-specific Chinese Corpus For Sentence Semantic Equivalence Identification | 关于Bank Question的中文语义相似度语料，总共12万的文本对| Jing Chen et al,2018
[聚类] | Robust and Rapid Clustering of KPIs for Large-Scale Anomaly Detection | 阅读笔记| 关于快速时序聚类的文章，提出ROCKA系统架构，包括了数据预处理、基线提取、相似性度量、基于密度的聚类算法。ROCKA算法仅仅是使用了派发策略，单是并未在有效的利用过程中的计算结果，导致在派发过程中复杂度较高| Zhihan Li et al,2018
[对话系统-检索式对话系统] | Multi-Turn Response Selection for Chatbots with Deep Attention Matching Network | 阅读笔记| DAM检索式对话模型，完全基于注意力机制的多层多粒度提取信息| Xiangyang et al,2018
[对话系统-对话意图识别-对话槽位填充] | Slot-Gated Modeling for Joint Slot Filling and Intent Prediction | 阅读笔记| 提出了Slot-Gated机制，联合意图识别和槽位填充效果提升| Chih-Wen Goo et al,2018
[模型-语言模型-无监督] | Unsupervised Random Walk Sentence Embeddings: A Strong but Simple Baseline | Unsupervised Smooth Inverse Frequency，USIF改进SIF对句向量长度敏感，在相似度任务上提升很大| Kawin Ethayarajh Arora et al,2018
[深度学习] | Fixing Weight Decay Regularization in Adam | 原英文版阅读笔记| 阅读笔记| 论文提出Adam在算法实现上的改进方法--AdamW（注意是算法实现）。Adam相较于传统的GD算法来说，增加了一阶动量（各时刻方向的指数移动平均值）和二阶动量（历史梯度平方和），在算法库的具体实现中，一般是通过在计算梯度之初就加上了正则项，这就导致这个正则项随着梯度一同计算，而AdamW的做法则是在梯度计算完之后，在加上这个正则项（称为weight decay）。论文中比较了SGD和SGDW、Adam和AdamW，通过实验证明了weight decay相较于一般实现的l2正则效果更好| Anonymous authors et al, 2018
[深度学习] | Additive Margin Softmax for Face Verification | 阅读笔记| AM-Softmax在A-Softmax的最大区别是AM是角度距离，A是余弦距离
[预训练-语言模型] | Deep contextualized word representations | 阅读笔记| ELMo模型原paper，想了想还是放在预训练里吧。ELMo模型很经典了，在Transformer这个大杀器提出后，依旧以LSTM为核心结构提出新的SOTA语义编码结构，还是尤其独到之处（ps：同年BERT也被提出了）。ELMo的结构可以分为两侧各一个多层LSTM，左侧的多层LSTM负责编码文本的正向语义，右侧的负责编码反向语义，然后对左右两边每一层的输出进行concat并乘上一个权重，最后的ELMo向量就是每一层输出的和。ELMo最大的亮点就是编码了文本的双向语义，因此相对于一些单向、静态编码器来讲，效果更好，但是问题也在这，这种将正反向的语义分开编码方式，就比不上BERT这种融合式的双向编码了，事实上也证明了这一点| Matthew E. Peters et al,2018
[深度学习] | Self-Attention with Relative Position Representations | 阅读笔记| 对Transformer里面用到的位置编码进行讨论，对自注意力进行改造，从而使用相对位置编码代替硬位置编码| Mihaylova et al,2018
[深度学习] | Group Normalization | Group Normalization是将输入的通道分成较小的子组，并根据其均值和方差归一化这些值| Yuxin Wu et al,2018
[语音系统-语音识别-预训练] | Syllable-Based Sequence-to-Sequence Speech Recognition with the Transformer in Mandarin Chinese | 使用Transformer应用在普通话语音识别，数据集是HKUST datasets | Shiyu et al,2018
[模型-Subword] | Subword Regularization: Improving Neural Network Translation Models with Multiple Subword Candidates | unigram在给定词表及对应概率值下，直接以最大化句子的likelihood为目标来直接构建整个词表| Kudo et al,2018
[对话系统-对话状态跟踪] | Global-Locally Self-Attentive Dialogue State Tracker | 阅读笔记| 全局-局部自注意力状态跟踪| Zhong et al,2018
[Deep Learning] | How Does Batch Normalization Help Optimization? | Discuss how Batch Normalization helps the optimizer work. The main conclusion is that the BN layer can make the loss function smoother | Shibani et al, 2018
[模型-对话系统] | Multi-Cast Attention Networks for Retrieval-based Question Answering and Response Prediction | 阅读笔记| 一种用于通用序列对建模的整体架构，结合多种注意力机制进行特征增强| Yi Tay et al,2018
[对话系统-数据增强] | Sequence-to-Sequence Data Augmentation for Dialogue Language Understanding | 使用seq2seq生成模型对语义文本进行数据增强，核心步骤为Delexicalisation->Diversity rank->generation->surface realisation | Yutai Hou et al,2018
[模型] | Sliced Recurrent Neural Networks | 切片RNN网络，尝试突破RNN时序限制的模型| Zeping Yu et al,2018
[模型-文本相似度/匹配/分类-GNN-图算法] | Graph Convolutional Networks for Text Classification | 将GCN应用于文本分类中，在不引入预训练模型的情况下，该方法的表现已经很优异了。该方法将每个独立的单词以及文档作为节点，即graph中包含单词级别和文档级别两类节点。初始化单词one-hot（不使用训练向量）。对于边，则包含（文档-单词）、（单词-单词）两类边，其中（文档-单词）使用tf-idf进行度量，（单词-单词）使用PMI指数。本文的模型结构的缺点在于，只考虑到共现度方面的信息，因此语义方面很低（作者原意就是不使用预训练embedding），而且可能会受到长尾问题的影响，因此可以使用注意力来辅助提升| Liang Yao et al, 2018
[Speech System-Speech Synthesis] | Neural Speech Synthesis with Transformer Network | Reading Notes | This article was inspired by Transformer to replace the RNN structure and original attention mechanism in Tacotron2 using a multi-head self-attention mechanism. | Naihan et al, 2018
[预训练-语言模型] | BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding | 阅读笔记| 顶顶大名的BERT，单独抽离Transformer的Encoder架构，并提出NSP、MLM预训练方式，也是基于此，是的BERT拥有强大的表征能力，并用于下游相关任务| Devlin et al,2018
[深度学习] | RelGAN: Relational Generative Adversarial Networks For Text Generation | 阅读笔记| 提出了新型的生成器和判别器结构，使得直接用Gumbel Softmax训练出的文本GAN大幅度超过了以往的各种文本GAN模型。主要由三个模块组成，分别是：在生成器上，利用relational memory，使得具有更强表达能力和在长文本上更好的模型能力；在离散数据上，训练GAN利用Gumbel-Softmax Relaxation模型，使得模型简化，替代强化学习启发式算法；在判别器上利用多层词向量表示，使得生成器往更具多样性方面更新Weili Nie et al, 2019
[异常检测-综述] | Deep Learning for Anomaly Detection: A Review | 阅读笔记| 本篇综述将异常检测归纳到三个框架（deep learning generic feature extraction、learning representations of normality、end-to-end anomaly score learning），共十一种类别中，并对每个类别的目标、流程、优缺点等进行了详细的阐述。最后给出了代表性的算法和数据集，并分析了当下和未来的发展方向，是一篇非常值得一读的异常检测综述| Guansong Pang et al, 2019
[机器学习] | Covariate Shift: A Review and Analysis on Classifiers | 阅读笔记| 通过几种分类算法，在四种不同的数据集下验证几种方法处理Covariate Shift问题后的性能分析| Geeta et al, 2019
[Deep Learning] | Language Models as Knowledge Bases? | Reading Notes | A discussion article mainly puts forward the idea that pre-trained language models like BERT are another form of knowledge database that can save a large amount of knowledge information. By imitating MLM, the author integrates the existing NLP datasets and hollows out the question form of cloze-filling and blanks (to reason about entity relationships). In the article, two unidirectional language models and two bidirectional language models were experimented with. The results show that the pre-trained model does contain information in the knowledge base. ps: This view may not be correct. Some articles also object that models such as BERT are just because of reasoning on entity names (surface forms). If some easily guessed facts are filtered out, the model accuracy will drop sharply | Fabio Petroni et al, 2019
[Deep Learning - Pre-training] | What does BERT learn about the structure of language? | Reading Notes | This article mainly uses some experiments to supplement and verify the information learned from different layers of BERT (there are no new conclusions in detail, it is just supplementary verification). The bottom layer of BERT mainly learns the surface information of tokens, the middle layer learns the linguistic feature information (synonym structure, etc.), and the top layer learns the semantic feature information. The article further explores the characteristics of BERT being able to learn the composition structure, and uses Tensor Product Decomposition Networks (TPDN) to design the experiment, deducing the corresponding dependency tree from the weight of the self-attention mechanism, confirming that the combination modeling method of BERT is similar to traditional syntactic analysis | Ganesh Jawahar et al, 2019
[模型] | Pay Less Attention With Lightweight And Dynamic Convolutions | 阅读笔记| 论文研究Lightweight、Dynamic Convolutions，卷积结构同样能够达到和Self-Attention媲美的效果| Felix Wu et al,2019
[蒸馏-预训练-语言模型] | Distilling Task-Specific Knowledge from BERT into Simple Neural Networks | 阅读笔记| 对BERT进行蒸馏，训练一个TextCNN模型，相比于直接使用BERT，TextCNN虽然有一定的损失，但是参数量和速度都大大提升。本文在知识蒸馏的方式上没有特别的创新，核心点在于（1）添加了额外的逻辑回归的目标，在标注数据下，hard label的交叉熵+teacher 模型的logits的MSE；在无标注数据下，teacher模型的softlabel的交叉熵+teacher模型的logits的MSE（2）数据增强，提出了多种方法；随机mask一个token；pos tag替换；n-gram sampling；mask_prob，执行mask增强，mask_prob << pos_prob，执行pos替换，最后执行n-gram sampling | Raphael Tang et al,2019
[深度学习] | On the Convergence of Adam and Beyond | 原英文版阅读笔记| 阅读笔记| Amsgrad，ICLR2018的最佳论文，主要是算法证明Adam在收敛性上存在的缺陷，并设计了理论实验，证明了这一点，同时提出了很简单的优化方法（实际的算法实现中，这个优化方法在相当多的实验中效果并不好）。Adam的收敛性缺陷在于，学习率通常是恒定的或降低的，所以随着训练过程的进行，二阶动量会随之减少，所以具体做法是增加一个变量来记录最大值，使用这个二阶动量的最大值替换原来的二阶动量进行计算，即v = max(avg_squared, max_squared) | Sashank J. Reddi et al, 2019
[预训练-语言模型-文本相似度/匹配/分类] | Poly-encoders: Transformer Architectures and Pre-training Strategies for Fast and Accurate Multi-sentence Scoring | 阅读笔记| Poly-encoder主要的出发点就是想要保持Bi-encoder的推理速度的同时，兼顾Cross-encoder精准匹配的潜力。思想上比较好理解，Bi-encoder的主要问题在于它要求encoder将query的所有信息都塞进一个固定的比较general的向量中，而Cross-encoder为了得到更加均衡的语义表示，需要将句子对关联起来进行推理计算，导致在检索时速度极慢。因此Poly-encoder的方案就是每个query产生m个不同的vec，利用这m个vec动态的和candidate vec计算，得到最终的final_vec（作为query的最终表示），用final_vec和candidate vec进行计算得到分数| Samuel Humeau et al,2019
[Pre-training - Language Model - Text Similarity/Matching/Classification] | How to Fine-Tune BERT for Text Classification? | Reading Notes | Some Fine-Tune Experiments on BERT on Text Classification | Xipeng Qiu et al, 2019
[预训练-对话系统] | Pretraining Methods for Dialog Context Representation Learning | 阅读笔记| 作者列举了四种针对对话上下文表示的预训练方法，其中两种是作者新提出的| Shikib et al,2019
[深度学习] | Scheduled Sampling for Transformers | 阅读笔记| 在Transformer应用Scheduled Sampling | Mihaylova et al,2019
[预训练-语言模型] | XLNet: Generalized Autoregressive Pretraining for Language Understanding | 阅读笔记| XLNet--自回归语言模型的复兴，30多项任务超越BERT | Zhilin Yang et al,2019
[机器学习] | Monte Carlo Gradient Estimation in Machine Learning | 阅读笔记| 本文是一篇关于Monte Carlo gradient estimation的survey，本文主要总结的内容是：随机梯度估计方法的相关背景知识，包括蒙特卡洛采样和随机优化；几种经典应用，包括变分推断、强化学习中的Policy gradient、敏感性分析、实验设计；两类经典的梯度估计算法| Shakir Mohamed et al,2019
[预训练-语言模型] | RoBERTa: A Robustly Optimized BERT Pretraining Approach | 论文发现原BERT的预训练并不充分，因此作者提出了四点Bert的改进：1）：使用更大的batch在更大的数据集上对Bert进行深度训练；2）：不在使用NSP(Next Sentence Prediction)任务；3）：使用更长的序列进行训练；4）：动态改变训练数据的MASK模式；其中动态MASK就是在每次数据输入的时候进行MASK，而不是在数据预处理的时候就预先MASK好，这种方式相当于不重复看数据，使模型学习到更多的pattern | Yinhan Liu et al,2019
[模型-文本相似度/匹配/分类] | Simple and Effective Text Matching with Richer Alignment Features | 阅读笔记| 本文模型主打的是参数少，推理速度快（实际复现也确实很快，效果也不错）。模型的结果不复杂，采用对称结构，使用Encoder、Alignment、Fusion三个模块组成的block（模型是多block结构）进行Representation，其核心应该是对于网络中三个向量的使用，residual vectors, embedding vectors 和encoded vectors。全文的模型结构不复杂，效果不错，值得一试的模型| Runqi Yang et al,2019
[预训练-语言模型-文本相似度/匹配/分类] | Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks | 阅读笔记| 和之前提出的InferSent结构如出一辙，妥妥的双塔结构，只是换成了Bert来进行特征表示。模型结构没有什么创新点，但是这个结构用起来效果挺好，速度也快，很适合工业界使用。论文中在针对句向量表示计算策略分别使用了CLS向量策略、平均池化策略、最大值池化策略三个策略进行实验，实验结果中平均池化策略最优| Nils Reimers et al,2019
[对话系统-数据增强] | Data Augmentation with Atomic Templates for Spoken Language Understanding | 使用Atomic Templates（act-slot-value）进行对话数据增强，使用seq2seq生成模型进行语句生成| Zijian Zhao et al,2019
[预训练-语言模型] | NEZHA: Neural Contextualized Representation For Chinese Language Understanding | 阅读笔记| 具体来说没有啥特别的创新点吧，在位置编码部分改成了相对位置编码。其他的比如WWM、混合精度训练、优化器自适应学习率，都是屡见不鲜的东西，整体效果而言也没有令人惊艳| Junqiu Wei et al,2019
[预训练-语言模型] | CTRL: A Conditional Transformer Language Model For Controllable Generation | 阅读笔记| CTRL语言模型，提供Control Code进行定向文本生成，相较于GPT可对文本风格进行控制| Keskar et al,2019
[语音系统] | A Comparative Study on Transformer vs RNN in Speech Applications | 阅读笔记| Transformer应用在语音领域上与RNN对比的论文，并在ESPnet上面开源了模型代码| Nanxin et al,2019
[蒸馏-预训练-语言模型] | TinyBERT: Distilling BERT for Natural Language Understanding | 阅读笔记| 本文提出的TinyBERT模型大小只有BERT的13.3%，推理速度是BERT的9倍，效果下降了2-3个点左右。具体细节分为基础蒸馏：（1）Embedding蒸馏，先用权重矩阵转换一下T模型的Embedding，然后在计算两个模型的Embedding的MSE loss（2）attention层蒸馏，计算S模型和T模型的单个头Attention的MSE loss；（3）hidden层蒸馏，同Embedding的蒸馏方式，先用权重矩阵转换一下；（4）Prediction层蒸馏，计算T模型输出的logits和S模型输出logits的交叉熵，加一个temperature控制平滑。在训练的时候，分成了两段式学习框架，包含通用蒸馏和特定于任务的蒸馏，就是分别在通用语料和在下游任务语料上分别蒸馏| Xiaoqi Jiao et al,2019
[预训练-语言模型] | ALBERT: A Lite BERT For Self-superpised Learning Of Language Representations | 阅读笔记| Albert大大缩小了模型参数量，并且加快了训练速度，增加了模型效果。其主要对BERT做了3点改进，第一：把embedding size(E)和hidden size(H)分开可以更高效地利用参数，因为理论上存储了context信息的H要远大于E。第二：跨层参数共享，就是不管12层还是24层都只用一个transformer。第三：使用Inter-sentence coherence loss，即SOP(sentence order prediction) | Zhenzhong Lan et al,2019
[蒸馏-预训练-语言模型] | DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter | 阅读笔记| 本文提出的DistilBERT，相比BERT减少40%大小，保持了97%的精度，快了60%，结果还是很棒的。DistilBERT实在预训练阶段进行蒸馏：（1）S模型结构方面，和原始BERT保持一致，token-type和pooler去掉了，然后block layer数量只有T模型的一般（两层蒸一层）；（2）在损失设计方面，分为原语言模型的loss（MLM）+蒸馏loss（就是T和S输出的logits的交叉熵）+cos距离loss（T和S在block layer间的hidden对齐）。一些小tricks方面，S模型的初始化选自T模型每两层中的一层；Batch size竟可能的大；引用RoBERTa的优化策略，动态mask | Victor SANH et al,2019
[对话系统-对话意图识别-数据增强] | A Closer Look At Feature Space Data Augmentation For Few-Shot Intent Classification | 针对SLU的Intent分类任务，对其文本数据进行数据增强并比较效果，其中Linear+Transfer learning效果最佳| Varun Kumar et al,2019
[异常检测-半监督] | Deep Weakly-supervised Anomaly Detection | 阅读笔记| 本文提出的PReNet或PRO模型结构上不复杂，通过双塔结构的全连接层（也可以是其他的特征表示层）融合特征，最后通过全连接层缩放维度输出回归分数。本文主要在于对标签数据的组合训练策略，即成对关系预测任务。通过对带标签的异常样本和未带标签的样本进行组合，构成三个类型：两个样本都是已知的异常样本（标签为较大的分值8）、两个样本都是未标记的样本（可能是正常样本，也可能是未知的异常样本，标签为较小的分值0）、两个样本中一个是已知异常样本另一个是未标记样本（标签为中等的分值4）。通过这样做，预测值可以被定义为这些样本对的异常分数，并使用MAE进行训练。预测时，分别从标记异常数据和未标记数据中随机取等量样本，和预测样本进行计算分数| Guansong Pang et al, 2019
[预训练-语言模型] | CogLTX: Applying BERT to Long Texts | 本文主要介绍如何优雅且有效的的使用BERT处理长文本。一般用BERT处理长文本的方式有截断法、Pooling法、压缩法，本文介绍的就是压缩法的一种（三种效果最好的）。从直观的角度来讲，长文本中的核心语义可以由某个短文本替换（相当于长句总结），因此需要找到这个短文本。具体的做法就是（1）首先使用动态规划算法将长文本划分长文本块；（2）然后使用一个叫做MemRecall的模块对这些块进行打分（本质上是concat），从而选出分数最高的子句组成短文本；（3）然后再用这个短文本用于后续的NLP任务。总结来讲就是COGLTX相当于使用了了两个bert，MemRecall中bert就是负责打分，另一个bert执行原本的NLP任务| Ming Ding et al,2020
[数据集] | Improving Dialog Evaluation with a Multi-reference Adversarial Dataset and Large Scale Pretraining | 数据集地址| DailyDialog数据集的升级版，11K的多轮对话上下文，每个上下文包括五个标准的参考回复、五个不相关的回复、五个随机挑选的回复| Ananya B. Sai et al, 2020
[模型-预训练] | Reformer: The Efficient Transformer | 阅读笔记| 使用LSH Attention、Reversible layers、Chunking FFN layers，降低Transformer计算复杂度和内存空间消耗| Nikita Kitaev et al,2020
[Prompt-预训练-语言模型-文本相似度/匹配/分类] | Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference | 比较早研究Prompt的工作之一，PET使用了基于手工设计模板的Prompt进行训练，对无标签数据使用了简单的prompt ensemble，即将多种prompt集成在一起计算预测结果，按不同pattern的模型acc对应权重对所有的预测进行归一化，作为soft label蒸馏一个最终模型。PET在计算loss的时候主要计算目标词的cross entropy（MLM loss作为附加，Loss=(1-a) L_CE+a L_MLM），而忽略了词表中其他备选词，这种方式在后续的工作当中是被认为不妥的，还是使用原生的MLM loss更好。论文还在PET的基础上，提出了迭代式的PET训练，即iPET。其实就是进行多代交叉的蒸馏，随机选取每一代的模型为无标签数据进行标记，并基于此进一步训练下一代的模型，最终和PET一样，用不同模型标注的无标签数据进行预测，蒸馏一个统一的模型。PET这种手动设计Prompt的方式本身难度较大，而且是基于人为经验的，这种方式使得模型比较依赖prompt，导致稍加改动就影响模型性能，因此后续工作也朝着auto prompt方向发展| Timo Schick et al,2020
[深度学习] | Consistency of a Recurrent Language Model With Respect to Incomplete Decoding | 阅读笔记| 讨论Seq2Seq模型解码停不下来的原因| Sean Welleck et al,2020
[深度学习] | GLU Variants Improve Transformer | 本文借助门控线性单元(Gated Linear Unit,GLU)对模型的FeedForward层进行了修改，同时在训练的时候去掉了Dropout，并增加了解码器输出端的Embedding（这些改动增加了模型参数，但效果更佳）。文中主要对比了Bilinear、relu、gelu、swish激活函数下，使用GLU的效果，其中gelu和swish表现最佳。总得来说，实验证明了GLU的有效性，可以应用在模型里试试| Noam Shazeer et al,2020
[数据集] | CrossWOZ: A Large-Scale Chinese Cross-Domain Task-Oriented Dialogue Dataset | 阅读笔记| 第一个大规模的中文跨域任务导向对话数据集| Qi Zhu et al,2020
[综述-对话系统-任务型对话] | Recent Advances and Challenges in Task-oriented Dialog Systems | 阅读笔记| 面向任务型对话系统的最新研究和方向| Zhang et al,2020
[深度学习] | PowerNorm: Rethinking Batch Normalization in Transformers | 对于Transformer中BN表现不好的原因做了一定的empirical和theoretical的分析| Sheng Shen et al,2020
[综述-预训练] | Pre-trained Models for Natural Language Processing: A Survey | 阅读笔记| 超详细的NLP预训练语言模型总结清单| Xipeng Qiu et al,2020
[预训练-语言模型] | ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators | 阅读笔记| BERT使用MLM进行训练，而ELECTRA考虑到BERT的MLM模型随机选择一部分Token进行Mask的这个操作过于简单了，想要增加一下它的难度。所以它借鉴了GAN的思想，用普通的方式训练一个MLM模型（生成器），然后根据MLM模型对输入句子进行采样替换，将处理后的句子输入到另外一个模型（判别器）中，判断句子哪些部分是被替换过的，哪些部分是被没被替换的。生成器和判别器是同步训练的，因此随着生成器的训练，判断难度会慢慢增加，直观想象有利于模型学到更有价值的内容。最后只保留判别器的Encoder来用，生成器一般就不要了。由于这种渐进式的模式使得训练过程会更有针对性，所以ELECTRA的主要亮点是训练效率更高了| Kevin Clark et al,2020
[数据集] | MuTual: A Dataset for Multi-Turn Dialogue Reasoning | 阅读笔记| MuTual 数据集，用于针对性地评测模型在多轮对话中的推理能力| L Cui et al,2020
[对话系统-检索式对话系统] | Dense Passage Retrieval for Open-Domain Question Answering | 阅读笔记| DPR一种高效的开放域问答检索技术，应用了BERT进行编码| Karpukhin et al,2020
[预训练-语言模型-对话系统-任务型对话] | TOD-BERT: Pre-trained Natural Language Understanding for Task-Oriented Dialogue | 阅读笔记| 任务导向型对话的预训练自然语言理解模型| Chien-Sheng Wu et al,2020
[深度学习] | Shortcut Learning in Deep Neural Networks | 阅读笔记| 对Shortcut Learning问题进行比较详细的解释和剖析，虽然最后没有给出实际的解决方案（Shortcut Learning问题本身就没有一个体系化的策略，需要根据实际任务而定），不过提供了几种解决的视角| Robert Geirhos et al,2020
[预训练-语言模型-文本相似度/匹配/分类] | ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT | 阅读笔记| 和前面的Poly-encoder出发点都是一样的，为了就是在获得BERT representation能力的同时，提高文本计算的效率。按照本文的说法，就是尽可能离线计算好Embedding，在通过Late Interaction的方式，弥补因为query和doc分离计算导致的效果损失。本文具体的模型结构是使用原生的BERT，对query和doc进行Embedding，不同之处是为了区分query和doc，分别在输入的seq的起始位置加上[Q]和[D]。Bert是编码器，CNN做维度变换，用来对BERT的隐层输出进行降维处理，Normalize是为后面计算余弦相似度做l2正则化处理，对于doc加个标点符号的mask | Omar Khattab et al,2020
[综述-文本相似度/匹配/分类] | Evolution of Semantic Similarity - A Survey | 阅读笔记| 一篇语义相似度的综述，整体文章从数据集开始，将技术体系分为：基于知识的语义相似性方法、基于语料的语义相似性方法、基于深度神经网络的方法、基于混合模型方法四类进行分析| Dhivya Chandrasekaran et al,2020
[模型-预训练-语言模型] | Synthesizer: Rethinking Self-Attention for Transformer Models | 阅读笔记| 在Transformer架构下，对Self-Attention计算的探索研究，看完会对Self-Attention有个新认识| Yi Tay et al,2020
[综述-文本相似度/匹配/分类] | Measurement of Text Similarity: A Survey | 语义相似度的综述，大体上从独立度量到模型计算的模型概述的比较广，但不是很全，不过从了解相似度计算来讲，还是值得一看的| Jiapeng Wang et al,2020
[深度学习] | Beyond Accuracy: Behavioral Testing of NLP Models with CheckList | 阅读笔记| ACL2020的Best Paper，基于NLP领域提出了测试体系来指导我们了解NLP 模型的能力，也能够指导我们去理解问题、解决问题。不同于现代NLP 模型常常仅关注特定的任务，CheckList 希望去评估一个模型的多方面能力，这些能力有的是模型通用的，有的则是面向特定的任务或领域| Marco Tulio Ribeiro et al,2020
[预训练-语言模型] | DeBERTa: Decoding-Enhanced Bert With Disentangled Attention | 阅读笔记| DeBERTa的一大亮点在于改动位置编码的介入时机，在论文中叫作Disentangled Attention。具体做法是将原本和输入embedding混合相加的pos embedding（relative）单独拎出来，然后再用位置编码和content 编码计算attention，进而增加了“位置-内容” 和“内容-位置” 注意力的分散Disentangled Attention。然后一些其他的改动比如：1) | 因为我们在精调时一般会在BERT 的输出后接一个特定任务的Decoder，但是在预训练时却并没有这个Decoder，所以本文在预训练时用一个两层的Transformer decoder 和一个SoftMax 作为Decoder；2) | 为了弥补一下只有相对位置的损失，因此在decoder前加入一层绝对位置embedding；3) | bert的训练策略中，mask有10%的情况是不做任何替换，而DeBeta将不做替换改成了换位该位置词绝对位置的pos embeding | Pengcheng He et al,2020
[对话系统-阅读理解模型-检索式对话系统] | Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering | Fusion-in-Decoder生成式阅读理解模型| Izacard et al,2020
[数据集] | MultiWOZ 2.2: A Dialogue Dataset with Additional Annotation Corrections and State Tracking Baselines | 阅读笔记| MultiWOZ是一个著名的面向任务的对话数据集，被广泛用作对话状态跟踪的基准，MultiWOZ 2.2是目前最新版本| Zang et al,2020
[预训练-语言模型] | Glancing Transformer for Non-Autoregressive Neural Machine Translation | 阅读笔记| 本文提出的GLAT是一种Non-Autoregressive翻译模型（摆脱BeamSearch），主要着重于并行化Decoder以及提高翻译质量，实际的效果速度快且在一些翻译方向上（英德）达到了SOTA。模型的核心结构沿用Transformer结构，参考预训练语言模型的MLM的做法，提出一种叫作GLM（Glancing LM）的方案，即使用两遍Decoder（同一个Decoder），第一遍的Decoder中，不加任何干预的获得模型的自然输出，这个时候将输出与Gold output进行对比，然后随机采样（也可以尝试其他的）目标词的词嵌入替换模型输出对应的hidden，然后再次喂入Decoder得到最终输出（注意，这里采样的词数量是根据训练情况好坏反比的，模型输出效果越好，采样的目标词越少，最终模型收敛到一次并行推理）。原理就是在第一次并行推理比较难学习到词与词之间的依赖关系，因此在第二次并行推理时，适当的引入目标词进行修正，进行增强训练| Lihua Qian et al,2020
[异常检测-模型-机器学习-无监督] | COPOD: Copula-Based Outlier Detection | 阅读笔记| 本文主要是基于copula统计概率函数，提出了COPOD的异常检测方法，COPOD使用了非参数（non-parametric）的方法，通过经验累积分布（Empirical CDF）来得到empirical copula，在这之后我们就可以简单的通过empirical copula来估算所有维度上的联合分布的尾端概率。因此COPOD不需要进行样本间的距离计算，从而节省运行开销且速度快，同时，该方法不需要调参，直接使用即可| Zheng Li et al, 2020
[预训练-语言模型-关系抽取] | A Frustratingly Easy Approach for Entity and Relation Extraction | 阅读笔记| 提出了一种非常简单的方法，该方法可以学习基于深度预训练语言模型构建的两个编码器，这两个模型分别被称为实体模型和关系模型（实体模型和关系模型的语境表示本质上捕获了不同的信息，因此共享其表示会损害性能）。同时，为了加快模型推断速度，该研究提出了一种新颖而有效的近似方法，该方法可实现8-16 倍的推断加速，而准确率只有很小的降低| Zexuan Zhong et al,2020
[预训练-语言模型-Prompt] | AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts | 阅读笔记| 本篇论文提出一种基于梯度的prompt搜索方案，方法比较直观，将通过梯度找出trigger word和mask拼接在文本中，形成一个语义上不通顺，但是对模型而言却具有合理prompt的样本，并且将label预测转换为masked token的预测。方法的核心在于选取trigger word，说白了就是选定一个已确定token数量的template，比如论文中{sentence}[T][T][T][T][T][P]，其中T就代表trigger word，P代表label，在这个例子中，准备使用五个token作为prompt，做法就是将这五个token标识为mask token，然后通过MLM的方式预测出token，然后选前k个最大化输入与梯度乘积的token，选出的token候选一次加入到prompt并评估预测的概率。在预测prompt token之外，还拿了mask token的hidden states过一个线性层预测label，并加上原本label位置mask token的loss进行训练。AutoPrompt的方法总的来说简单粗暴，不过带来的也是可解释性差，具体效果一般| Taylor Shin et al,2020
[预训练-语言模型] | Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting | 阅读笔记| 一种效果远超Transformer的长序列预测模型，针对LSTF问题上的研究改进| Haoyi Zhou et al,2020
[综述-可解释性] | A Survey on Neural Network Interpretability | 阅读笔记| 关于神经网络可解释性的一篇综述，整理的挺不错的，不过就是相关领域前沿探索不足| Yu Zhang et al,2020
[深度学习] | A Theoretical Analysis of the Repetition Problem in Text Generation | 阅读笔记| 讨论Seq2Seq模型解码重复生成的原因| Zihao Fu et al,2020
[预训练-语言模型-Prompt] | Making Pre-trained Language Models Better Few-shot Learners | 阅读笔记| 文中提出的LM-BFF是一套简单的技术组合，用于仅在少量训练样本上对预训练的LM进行微调，其中包括：（1）基于Prompt的微调以及自动生成prompt的新方法；（2）一种动态的、有选择的在上下文中引入demonstration的方法。这里稍微介绍一下背景概念，Prompt方法主要分两种不同的研究方向：（1）基于prompt的fine-tuning（被认为是更适合小LM的few-shot learner）；（2）而对于大模型，fine-tuning比较困难，因此是希望固定他们的参数，通过不同的prompt将它们应用在不同的任务上。对于第二个研究方向，prompt分为Discrete Prompts和Soft Prompts，可以简单的认为discrete是选随机token，而soft则是直接用随机向量替换Embedding。然后还有除了Prompt之外，还有demonstration（in-context learning， 一种新的meta-learning方式），prompt和demonstration都是GPT-3很成功的设计，demonstration是多sample+input text作为模型输入，其中也有很多优化的方法| Tianyu Gao et al,2020
[对话系统-预训练-检索式对话系统] | Distilling Knowledge From Reader To Retriever For Question Answering | 阅读笔记| 一种模型训练模型的开放域问答方法| Izacard et al,2021
[预训练-语言模型-Prompt] | Prefix-Tuning: Optimizing Continuous Prompts for Generation | 阅读笔记| 本篇论文核心是针对离散的Prompt难以优化的问题，提出了参数化的prompt，仅微调prompt，freeze住LM。在小样本任务重，这种方法极大的减小的模型的参数，减少了过拟合的风险，这种参数化的prompt在小样本场景中，能够优于fine-tune的方法。这篇文章的做法和P-tuning差不多，都是设计了非自然语言的模板，只不过Prefix-tuning主要关心的是NLG的应用，而P-tuning更加关心NLU的应用| Xiang Lisa Li et al,2021
[综述-向量召回] | A Comprehensive Survey and Experimental Comparison of Graph-Based Approximate Nearest Neighbor Search | 阅读笔记| 论文是一篇关于graph-base的向量召回综述，聚焦实现了效率和精度最优权衡的近邻图索引，综述了13 种具有代表性相关算法，包括NSW、HNSW等在内的优秀算法，并提出一个统一评估的pipeline | Mengzhao Wang et al,2021
[预训练-评估] | LogME: Practical Assessment of Pre-trained Models for Transfer Learning | 阅读笔记| 一种通用且快速的评估选择适合下游任务的预训练模型的打分方法，logME | Kaichao You et al,2021
[Prompt-预训练-语言模型] | GPT Understands, Too | 阅读笔记| 在本文之前的Prompt思路呢，要么是通过人工设计Prompt（如PET），要么是探索通过自动化搜索Prompt进行（如AutoPrompt、LM-BFF等），思路都限于搜索token来组成Prompt template（Discrete Prompt Search），而本文提出的P-tuning思路是不用关心template由哪些token word组成，对于模型而言，只需要token embedding，直观点说就是在template中，除了目标词正常以Mask token出现，prompt token则是[unused*]（也就是从未见过的token来构成模板，这里的token会过一层LSTM进行编码），其中token数目是一个超参数可以调整，这种方式极大的提升了template的搜索空间（连续）。小样本的时候固定模型权重，只优化[unused*]的Embedding，这样即使样本少也能学到prompt template，不容易过拟合。标注数据足够的话就直接放开所有权重一同训练微调就行| Xiao Liu et al,2021
[Prompt-预训练-语言模型] | The Power of Scale for Parameter-Efficient Prompt Tuning | 阅读笔记| 本文的方法和p-tuning相似，是固定LM，只训练prefix，这篇文章主要是验证了全量数据情况下，仅微调prompt相关的参数，能够达到fine-tune的效果（p-tuning的prompt token人为的选用[unused*]，而本文对prompt token的初始化分两种：置零和采用词表的一些预训练token embedding）。论文的最终结论有：1）：在一般模型大小的情况下，prompt token越多，效果越好（超过20增益减小），但是在超大模型的情况下，单个prompt token也能达到前面20个token以上的效果；2）：随机初始化、词表采样、用label标签初始化，其中label的方式效果最好；3）：LM Adaptation steps 越多，效果越好；4）：同时训练多个prompt进行ensemble，效果优于单一prompt | Brian Lester et al,2021
[预训练-语言模型-文本相似度/匹配/分类] | SimCSE: Simple Contrastive Learning of Sentence Embeddings | 阅读笔记| 基于Sentence-Bert，引入对比学习的思想，在无监督与有监督语义相似度计算任务达到SOTA。主要围绕对比学习质量指标Alignment和Uniformity来进行优化，对于Unsupervised，核心是使用dropout mask生成正样本，负样本是in-batch negatives。而Supervised则是NLI中entailment关系样例对。负例：a) in-batch negatives b)NLI中关系为contradiction的样例对| Tianyu Gao et al,2021
[预训练-语言模型] | Are Pre-trained Convolutions Better than Pre-trained Transformers? | 阅读笔记| 将Transformer的Attention换成了卷积，尝试预训练模型新方式| Yi Tay et al,2021
[综述-对话系统] | Recent Advances in Deep Learning Based Dialogue Systems: A Systematic Survey | 对话系统综述：新进展新前沿| JinJie Ni et al,2021
[对话系统-评估] | Towards Quantifiable Dialogue Coherence Evaluation | QuantiDCE，一种实现可量化的对话连贯性评估指标模型| Zheng Ye et al,2021
[对话系统-对话策略学习] | Retrieve & Memorize: Dialog Policy Learning with Multi-Action Memory | 阅读笔记| 联合检索和记忆块的多action的Dialog Policy Learning模型，在action生成和response生成上效果SOTA | Yunhao Li et al,2021
[对话系统] | Increasing Faithfulness in Knowledge-Grounded Dialogue with Controllable Features | 通过可控特征来增加知识对话系统的学习| Rashkin et al,2021
[综述-Prompt-预训练] | Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing | 阅读笔记1 / 阅读笔记2 | 关于Prompt-based learning的一篇综述，Prompt（提示/题词）和之前的MLM有些相似，通过定义template的方式，基于语言模型的特性直接估计出文本的概率，从而生成答案。相较于传统的语言模型依赖于针对特定下游任务的fine-tune，Prompt更加关注模型的迁移能力（它的目标就是希望对不同下游任务建立一个统一的范例），除了便捷和泛化能力之外，这样做的一个明显优势就是不同任务之间的数据可以共享，减少标注数据，随着数据累积，新的任务可以达到zero-shot learning的目的| Pengfei Liu et al,2021
[文本相似度/匹配/分类-Prompt-预训练-语言模型] | Noisy Channel Language Model Prompting for Few-Shot Text Classification | 本篇论文以实验探索为主，含有大量的实验对比，主要出发点就是在few-shot问题中，探讨控制训练参数对于direct model和channel model效果的影响，最终的论文的结论是Noisy Channel model明显优于direct model。论文中的direct model主要是指一般的P(c|x)，其中x是输入，c是label，而direct++ model则是基于direct，强化文本间的差异，引入空文本，即P(c|x)/P(c|null)，而channel model则是指使用贝叶斯公式重新参数化direct，P(c|x)=P(x|c)P(c)/P(x)，其中P(c)就是label数分之一，即P(1/C)，而P(x)独立于c，所以最终只需要计算P(x|c)。那么最后用形象一点的例子来解释direct和channel的差异就是，direct=x->c，channel=c->x。论文中对参数的控制采用了all finetuning、head tuning、transformation tuning和Prompt tuning（这里可以认为是soft prompt，即只需在输入序列中放入一些随机向量，与词汇表中的特定word embedding无关，并进行调整，同时固定预训练模型的其他部分）。在direct和channel的方法间，channel明显优于direct。在direct model的参数控制实验中，head tuning是最优的，但是当channel model配合soft prompt时，效果是最好的| Sewon Min et al,2021
[对话系统-预训练] | General-Purpose Question-Answering with MACAW | 阅读笔记| 生成式多角度问答模型，参数量只有GPT-3的十六分之一，作者主打的亮点是通过整合7种不同的任务范式（问题生成、答案生成...），使得模型能够通过不同角度学习到QA相关的内容，目的就是得到一个强大的QA版本预训练模型。输入的话就是通过"$s1$;$s2$.."的slot方式进行文本拼接，得到的解码输出也是如此输出的，模型内核还是基于transformer的改造| Oyvind Tafjord et al,2021
[预训练-语言模型-Prompt] | PPT: Pre-trained Prompt Tuning for Few-shot Learning | 阅读笔记| 之前的工作都是在finetune阶段去使用prompt，这篇文章第一次提出了prompt pretraining的过程。一开始是因为观察了prompt tuning中的大模型尽管在全量数据下能够媲美finetune，但是在少样本情况下并不好，作者认为是因为在大模型上soft prompt对初始化很敏感，所以设计了一系列预训练的prompt task来给soft prompt提供一个很好的初始化。论文的结论是，通过prompt 的预训练，在少样本情况下，大模型的prompt tuning 同样能媲美fine-tuning 的效果| Yuxian Gu et al,2021
[对话系统-任务型对话-预训练] | Constraint based Knowledge Base Distillation in End-to-End Task Oriented Dialogs | 基于KB的End2End的Task-Oriented的对话系统，使用pairwise相似度过滤相关信息来获得KB中的n元结构，就这一点上倒没有什么新奇，只不过相对于之前的方式修改的entity格式。不过在避免检索到部分entity相似但并不是目标的record的情况，作者加入了辅助的损失函数用于embedding constraint，这种做法确实减少了相同entity之间的相似性，从而提高record的可靠性，值得借鉴。基于现有的F1指标的缺点，提出multiset entity F1 | Dinesh Raghu et al,2021
[综述] | Paradigm Shift in Natural Language Processing | 阅读笔记| 总结归纳NLP中任务范式并分析的综述，论文给出了七种范式的定义，针对此分析一些具体任务（范式迁移）的例子，并指出四种可能大一统的NLP任务范式：LM，matching，MRC，Seq2Seq（LM减少工程量，MRC具有更高的可解释性，seq2seq在处理复杂任务时具有更高的灵活性），但是没有把Prompt纳进去（狗头） | Tianxiang Sun et al,2021
[综述-数据增强] | Data Augmentation Approaches in Natural Language Processing: A Survey | 阅读笔记| 哈工大的工作，对15中NLP数据增强方法进行了总结和对比，有详细的优缺点说明，还有一些使用技巧，实用性非常强，需要的时候可以详细的参考原文以及相关的文献的应用细节。几个开源工具：Easy DA、UNsupervised DA、nlpaug、eda_nlp_for_Chinese | Bohan Li et al,2021
[预训练-语言模型-Prompt] | SPoT: Better Frozen Model Adaptation through Soft Prompt Transfer | 阅读笔记| 之前的工作证明了prompt 的初始化很重要，而在PPT（Pre-trained Prompt）那篇论文中提出的预训练方法能够给prompt 提供一个很好的初始化，但是有没有其他预训练的方式，比如不用设计预训练任务的，因此本文提出了一种prompt transfer（SPoT）的方法，即学习一个或者多个源任务的prompt 来初始化目标任务的prompt，这种方式能够使得prompt tuning 在不同模型尺寸（包括小模型）上都能媲美甚至优于fine-tuning（注意，无法超过multi-task fine-tuning 的效果）。论文的结论是在全量数据+ 仅微调prompt 的情况下，SPoT 能够在多个模型尺寸（包括小模型）下媲美和优于model tuning 的效果，并能在使用超大模型情况下媲美强基线Multi-task Tuning | Tu Vu et al,2021
[异常检测-模型-机器学习-无监督] | ECOD: Unsupervised Outlier Detection Using Empirical Cumulative Distribution Functions | 本文作者和2020年提出的COPOD算法同作者，本文提出的ECOD算法是COPOD算法的扩展版本。ECOD算法使用经验累计分布函数的无监督离群值检测，通过类似集成的方法（结合同一样本不同维度的离群分，假设各维度特征相互独立），计算每个样本的离群分，分值越高是异常值的可能性越大。另外，在计算各特征维度的左尾和右尾ECDF，并得到对应离群分后，通过skewness（偏度）来矫正集群分得到最终结果| Zheng Li et al, 2022
[预训练-语言模型-Prompt] | Rethinking the Role of Demonstrations: What Makes In-Context Learning Work? | 阅读笔记| 本文主要探讨分析Prompt范式下，预训练语言模型是如何学习并work的。主要的结论是在in-context learning 学习中，学习并不是输入与标注之间的关联，而是通过展示数据形式，来激活与训练模型的能力。此外附带两个结论：在meta learning环境下，in-context leanring的这个特点更为明显；因为标签不重要，所以可以用无标注领域内数据做in-context zero shot learning | Sewon Min et al,2022
[预训练-语言模型-文本相似度/匹配/分类] | How Different are Pre-trained Transformers for Text Ranking? | 阅读笔记| 本文主要对BERT（Cross-Encoder，即软匹配）和传统稀疏排序方法的BM25（精确匹配）进行query-doc排序结果的比较分析，尝试搞清楚Cross-Encoder和BM25的区别，弄清CE的运作原理。论文得到的结论就是：（1）精确匹配是一个重要的基础排序策略，而CE的软匹配能力是BM25不具备的；（2）对于高度相关的doc排序，CE和BM25各自的相关性定义有着很大的不同，且BM25明显低估了许多文档的相关性；（3）CE的潜力在于，它可以召回BM25非常不看好而实际却是高度相关的doc；（4）CE通过考虑上下文信息客服了对term匹配的依赖，能够找到“不可能相关”的结果，即语义泛化能力。从整个实验中也可以明显的看出CE和BM25各自都有着自己的优势，CE并不能完全替代BM25，不管是在召回还是在排序阶段，这两者依旧是相辅相成的关系（别忘了个事实，CE方法上百亿的参数，BM25相比之下“弱小”很多） | David Rau et al,2022
[异常检测-综述-自监督] | Self-Supervised Anomaly Detection: A Survey and Outlook | 一篇关于异常检测的综述论文，主要是围绕自监督形式的异常检测方法进行介绍，论文中大部分方法的切入视角是图像，搞文本或者多模态的话也可以看看，说不定有所启发。全文主要的内容大体可以分为：（1）对目前自监督形式的异常检测方法和其应用的场景进行介绍和讨论；（2）根据异常检测算法所针对的数据样本的不同，提出对这些算法进行划分，有利于根据不同场景进行算法的选择；（3）最后对未来的发展进行了讨论| Hadi Hojjati et al, 2022
[异常检测-评估] | ADBench: Anomaly Detection Benchmark | 阅读笔记| 一篇很全面的针对Tabular Data的异常检测方法的实验论文，通过设计Benchmark对30种算法（包括许多传统机器学习算法也加入了实验）进行实验分析。其主要贡献就是设计了Benchmark，设计切入的角度分为三个：（1）从完全无监督异常检测到完全监督的异常检测，标签的数量有多重要？（2）对于不同种类的异常，如何分析算法的优劣？（3）对于数据质量中面临的问题，比如噪音、重复、错误等，哪些算法更加鲁棒？ | Songqiao Han et al, 2022
