ACEnet：用于神经解剖分割的解剖上下文编码网络
图延长卷积网络：图上的显式多尺度机器学习及其在生物系统建模中的应用
用于欺诈检测的交织序列RNNs
DialogueGCN：用于对话情感识别的图卷积神经网络模型
移动设备的量化卷积神经网络
ACEnet：用于神经解剖分割的解剖上下文编码网络
论文名称：ACEnet: Anatomical Context-Encoding Network for Neuroanatomy Segmentation
作者：Li Yuemeng /Li Hongming /Fan Yong
发表时间：2020/2/13
论文链接：https://arxiv.org/abs/2002.05773v1
推荐原因
这篇论文考虑的是通过磁共振扫描图像对脑结构进行分割的问题。
对于这个问题，现有的2D深度学习方法无法有效捕获大脑结构分割所需的3D空间上下文信息。这篇论文提出了一个名为ACEnet的解剖上下文编码网络，将3D空间和解剖上下文合并到2D卷积神经网络中，以便从磁共振扫描中有效而准确地分割大脑结构。ACNnet包含三个重要的组成部分：1、解剖上下文编码模块，将解剖信息合并到2D CNN中；2、空间上下文编码模块，将3D图像信息合并到2D CNN中；3、颅骨剥离模块，指导2DCNN来建模大脑结构。在三个基准数据集上的实验表明，ACNnet在计算效率和分割精度上优于现有的方法。
图延长卷积网络：图上的显式多尺度机器学习及其在生物系统建模中的应用
论文名称：Graph Prolongation Convolutional Networks: Explicitly Multiscale Machine Learning on Graphs, with Applications to Modeling of Biological Systems
作者：Scott C. B. /Mjolsness Eric
发表时间：2020/2/14
论文链接：https://arxiv.org/abs/2002.05842v1
推荐原因
这篇论文定义了一种新的集成图卷积网络(GCN)模型，使用优化的线性投影算子在图形的空间比例之间进行映射，将学习汇总每个比例的信息以进行最终预测。这些线性投影算子作为与每个GCN结构矩阵相关的目标函数的信息量来计算。含有这些投影信息后，新的图延长卷积网络模型在微管弯曲粗粒度机械化学仿真中预测单体亚基势能时，效果优于其他GCN集成模型。
用于欺诈检测的交织序列RNNs
论文名称：Interleaved Sequence RNNs for Fraud Detection
作者：Branco Bernardo /Abreu Pedro /Gomes Ana Sofia /Almeida Mariana S. C. /Ascensão João Tiago /Bizarro Pedro
发表时间：2020/2/14
论文链接：https://arxiv.org/abs/2002.05988v1
推荐原因
这篇论文考虑的是金融系统中的实时欺诈检测问题。
为了解决这个问题，这篇论文使用递归神经网络，并将付款视为交错序列（其中每张卡的历史记录是无界、不规则子序列），以使得整个系统不必考虑复杂的特征工程。这篇论文提出一个完整的RNN框架以实时检测欺诈行为，并提出从预处理到部署的有效机器学习管道。实验证明，这些无特征、多序列RNN优于当前最佳模型，并由于使用较少的计算资源，而能节省数百万美元的欺诈检测成本。
DialogueGCN：用于对话情感识别的图卷积神经网络模型
论文名称：DialogueGCN: A Graph Convolutional Neural Network for Emotion Recognition in Conversation
作者：Ghosal Deepanway /Majumder Navonil /Poria Soujanya /Chhaya Niyati /Gelbukh Alexander
发表时间：2019/8/30
论文链接：https://arxiv.org/abs/1908.11540
推荐原因
1.对话语句的情感识别(ERC)是基础但也异常重要的任务，过去的解决方法通常是将序列语句编码，然后情感分类。本文综合考虑讲话序列以及讲话者两个水平的影响因素，提出基于图卷积网络的DialogueGCN，实现情感识别。在三个情感识别数据集上取得SOTA结果。
2.作者巧妙的将对话中的语句、对话者这样的异构甚至抽象信息建模到图中，以利用图神经网络。
3.对于学习了图神经网络理论的人来说，如何在实际场景中应用图神经网络是非常重要的，本文就提供了一个非常简单明了的场景，值得学习。
移动设备的量化卷积神经网络
论文名称：Quantized Convolutional Neural Networks for Mobile Devices
作者：Jiaxiang Wu / Cong Leng /Yuhang Wang
发表时间：2016/5/16
论文链接：https://arxiv.org/pdf/1512.06473.pdf
推荐原因
核心问题：CNN网络在许多方面发挥着越来越重要的作用，但是CNN模型普遍很大，计算复杂，本论文对其进行了改进。
创新点：在这篇论文中，作者提出了一个Quantized CNN模型，这个模型可以加速和压缩CNN，它的核心思想是对卷积层和全连接层中的权重进行量化，并最小化每层的响应误差。
研究意义：在ILSVRC-12数据集上进行实验，证明对于分类任务在仅损失很小的准确率下，该方法可以达到4-6倍的加速，和15~20倍的压缩，可以明显的看出效果。
论文作者团队招募
为了更好地服务广大 AI 青年，AI 研习社正式推出全新「论文」版块，希望以论文作为聚合 AI 学生青年的「兴趣点」，通过论文整理推荐、点评解读、代码复现。致力成为国内外前沿研究成果学习讨论和发表的聚集地，也让优秀科研得到更为广泛的传播和认可。
我们希望热爱学术的你，可以加入我们的论文作者团队。
加入论文作者团队你可以获得
1.署着你名字的文章，将你打造成最耀眼的学术明星
2.丰厚的稿酬
3.AI 名企内推、大会门票福利、独家周边纪念品等等等。
加入论文作者团队你需要：
1.将你喜欢的论文推荐给广大的研习社社友
2.撰写论文解读
如果你已经准备好加入 AI 研习社的论文兼职作者团队，可以添加运营小姐姐的微信，备注“论文兼职作者”
