人工智能文献推荐系列之一：博采众长，人工智能最新研究成果解读-20190129-广发证券-37页_3mb

人工智能最新研究成果总结

核心内容

人工智能在数据、算力和算法的推动下，在研究和应用上均取得了显著进展。多个领域如自然语言处理（NLP）、计算机视觉（CV）、强化学习（RL）和迁移学习（TL）成为研究热点。BERT、SentiGAN、Abstractive Text Summarization、Mask R-CNN 和 Adaptive Affinity Fields 等模型和方法在各自领域表现突出，推动了人工智能技术的发展。

主要观点

• 自然语言处理：语言模型预训练成为提升NLP模型性能的关键手段。BERT模型通过双向Transformer结构，实现了对上下文的全面理解，刷新了多项NLP任务的最优性能记录。
• 问答与对话技术：通过神经网络模型对澄清性问题进行排序，提高机器提出问题的质量，增强人机协作效率。
• 文本生成：SentiGAN模型通过引入多个生成器和多分类判别器，有效解决了情感文本生成中多样性、质量和流畅性的问题。
• 文本摘要：结合主题信息和强化学习的ConvS2S模型在摘要任务中表现出色，提升了摘要的连贯性、多样性和信息丰富性。
• 计算机视觉：Mask R-CNN作为目标实例分割框架，实现了对图像中目标的精准识别和分割，广泛应用于多个视觉任务。
• 语义分割：Adaptive Affinity Fields（AAF）通过自适应相似场机制，优化了语义分割模型的训练和推理过程，提升了分割效果和跨领域泛化能力。

关键信息

1. BERT模型

• 论文信息：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding，作者：Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova，来源：https://arxiv.org/abs/1810.04805
• 主要内容：
  • BERT通过双向Transformer结构，解决了传统语言模型的单向性问题。
  • 引入遮蔽语言模型（MLM）和下一句预测（NSP）任务，实现对文本对的表示学习。
  • 在GLUE基准测试中表现优异，刷新了11项NLP任务的最优性能记录。
  • 训练复杂度高，未来更可能作为初始化工具被使用。

2. Learning to Ask Good Questions

• 论文信息：Learning to Ask Good Questions: Ranking Clarification Questions Using Neural Expected Value，作者：Sudha Rao, Hal Daum'e III，来源：https://arxiv.org/pdf/1805.04655.pdf
• 主要内容：
  • 提出一个神经网络模型，用于对澄清性问题进行排序，以提高机器提问的质量。
  • 通过计算预期的可用性，对问题进行排序。
  • 在StackExchange数据集上测试，结果优于基准模型。

3. SentiGAN模型

• 论文信息：SentiGAN: Generating Sentimental Texts via Mixture Adversarial Networks，作者：Ke Wang, Xiaojun Wan，来源：https://www.ijcai.org/proceedings/2018/0618.pdf
• 主要内容：
  • 提出SentiGAN模型，通过多个生成器和一个判别器，实现多类别情感文本生成。
  • 引入基于惩罚的目标函数，提升生成文本的多样性。
  • 在Movie Reviews、Beer Reviews和Customer Reviews等数据集上表现优异。

4. Abstractive Text Summarization

• 论文信息：A Reinforced Topic-Aware Convolutional Sequence-to-Sequence Model for Abstractive Text Summarization，作者：Li Wang, Junlin Yao, Yunzhe Tao, Li Zhong, Wei Liu, Qiang Du，来源：https://arxiv.org/abs/1805.03616
• 主要内容：
  • 提出一种结合主题信息和强化学习的ConvS2S模型，用于抽象式文本摘要。
  • 引入多步注意力机制和Self-Critical Sequence Training（SCST）方法，提升摘要的连贯性和多样性。
  • 在Gigaword、DUC-2004和LCSTS数据集上取得良好效果，ROUGE指标表现优于传统方法。

5. Mask R-CNN模型

• 论文信息：Mask R-CNN，作者：Kaiming He, Georgia Gkioxari, Piotr Dólar, Ross Girshick，来源：https://arxiv.org/abs/1703.06870
• 主要内容：
  • Mask R-CNN是目标实例分割框架，能够在每个实例上生成高质量的分割掩码。
  • 在Faster R-CNN基础上改进，包括添加掩码生成分支、RoiAlign技术、损失函数优化等。
  • 在COCO系列挑战赛中表现优异，准确率和速度均领先。

6. Adaptive Affinity Fields（AAF）模型

• 论文信息：Adaptive Affinity Fields for Semantic Segmentation，作者：Tsung-Wei Ke, Jyh-Jing Hwang, Ziwei Liu, Stella X. Yu，来源：https://arxiv.org/abs/1803.10335
• 主要内容：
  • 提出自适应相似场（AAF）概念，优化语义分割中的空间关系建模。
  • 在训练期间引入AAF机制，测试期间无需额外计算。
  • AAF模型在多个数据集（如PASCAL VOC 2012、Cityscapes、GTA5）上均表现优异，具有良好的跨领域泛化能力。

风险提示

本报告为人工智能学术论文解读，不构成任何投资建议。

分析师信息

• 文巧钧
  SAC执证号：S0260517070001
  SFC CE No. BNI358
  邮箱：wenqiaojun@gf.com.cn

• 安宁宁
  SAC执证号：S0260512020003
  SFC CE No. BNW179
  邮箱：anningning@gf.com.cn

• 罗军
  SAC执证号：S0260511010004
  邮箱：luojun@gf.com.cn
  注意：罗军并非香港证券及期货事务监察委员会的注册持牌人，不可在香港从事受监管活动。

联系人信息

• 童炯潇
  联系电话：020-87572092
  邮箱：tongjiongxiao@gf.com.cn