[1] Unsupervised Depth Estimation, 3D Face Rotation and Replacement Joel Ruben Antony Moniz, Christopher Beckham, Simon Rajotte, Sina Honari, Christopher Pal Carnegie Mellon University, Mila-University of Montreal, Polytechnique Montreal, Element AI &nb…
[1] An intriguing failing of convolutional neural networks and the CoordConv solution Rosanne Liu, Joel Lehman, Piero Molino, Felipe Petroski Such, Eric Frank, Alex Sergeev, Jason Yosinski Uber AI Labs, Uber Technologies 在深度学习中，卷积产生了非常巨大的影响。只要是涉及…
[1] Representer Point Selection for Explaining Deep Neural Networks Chih-Kuan Yeh, Joon Sik Kim, Ian E.H. Yen, Pradeep Ravikumar Carnegie Mellon University 这篇文章提出如何解释深度神经网络的预测, 即通过指向训练集中的一组称为代表样本, 用于对给定的测试样本给出预测。 具体而言, 可以将神经网络的激活前的预测分解为训练点…
[1] Group Equivariant Capsule Networks Jan Eric Lenssen, Matthias Fey, Pascal Libuschewski TU Dortmund University 这篇文章提出了组等变胶囊网络，该框架为胶囊网络引入了等效性和不变性。该工作有两个贡献点，首先，在每个组的元素上定义协议算法，提出通用路由，并证明了两种性质，即输出姿态向量的等效性和输出激活的不变性，在某些条件下保持不变。其次，将等变胶囊网络与来自群体卷积网络联系起…
[1] DeepPINK: reproducible feature selection in deep neural networks Yang Young Lu, Yingying Fan, Jinchi Lv, William Stafford Noble University of Washington, University of Southern California 深度学习由于出色的实证表现，在有监督和无监督机器学习中越来越受欢迎。 但是，大多数深度学习方法由于内在的复杂…
[1] RenderNet: A deep convolutional network for differentiable rendering from 3D shapes Thu Nguyen-Phuoc, Chuan Li, Stephen Balaban, Yong-Liang Yang University of Bath, Lambda Labs 传统的计算机图形渲染管道能够将3D形状程序性地生成2D图像，同时具有高性能。由于离散操作（例如可见性计算）会导致不可区分性，这种现…
[1] Inference in Deep Gaussian Processes using Stochastic Gradient Hamiltonian Monte Carlo Marton Havasi, Jose Miguel Hern ´ andez-Lobato ´, Juan Jose Murillo-Fuentes ´ University of Cambridge, University of Sevilla 深层高斯过程（DGPs）是对高斯过程的层级式泛化，该模型很好的结合了多层模…
[1] BRUNO: A Deep Recurrent Model for Exchangeable Data Iryna Korshunova, Jonas Degrave, Ferenc Huszár, Yarin Gal, Arthur Gretton, Joni Dambre Ghent University, Twitter, University of Oxford, UCL 这篇文章提出一种新的模型结构，它可以使得深度学习工具在高维复杂样本中进行精确的贝叶斯推理。 本文的模型具有可交换性…
[1] BRITS: Bidirectional Recurrent Imputation for Time Series Wei Cao, Dong Wang, Jian Li, Hao Zhou, Yitan Li, Lei Li Tsinghua University, Duke University, Bytedance AI Lab 时间序列在很多分类或者回归中都会用到。但是，在实际应用中，时间序列可能会包含很多缺失值。给定多个可能有关联的时间序列，补充缺失值同时对类别标签进行…
[1] Lipschitz-Margin Training: Scalable Certification of Perturbation Invariance for Deep Neural Networks Yusuke Tsuzuku, Issei Sato, Masashi Sugiyama The University of Tokyo 神经网络对于输入中的扰动具有较高的敏感性。作者们为了得到稳定鲁棒的分类器，提出应对扰动的神经网络。先前的工作对网络结构进行了较强的假设，计算量…
