联合多任务模型：多NLP任务的神经网络的创建
Peelnet：基于单视角彩色图片的带纹理的3D人体重建
可视化理解机器翻译
深入研究整流器：在ImageNet分类上超越人的水平
对深前向神经网络训练难点的理解
论文名称：A Joint Many-Task Model: Growing a Neural Network for Multiple NLP Tasks
作者：Kazuma Hashimoto /Caiming Xiong /Yoshimasa Tsuruoka /Richard Socher
发表时间：2016/11/5
论文链接：https://www.aclweb.org/anthology/D17-1206.pdf
推荐原因
核心问题：在自然语言理解领域有众多的任务，比如词性分析，语块分析，依存句法分析，文本语义相关，文本蕴涵等等，各个任务之间有着相互联系。研究者们通过多任务学习来促进任务间互相联系，提高各个任务的性能。
创新点：传统的多任务是并行实现的，但是这众多任务中是存在层次关系的，所以本文将不同任务栈式的叠加，越层次的任务具有更深的网络结构，当前层次的任务会使用下一层次的任务输出，类似于流水线的形式。
研究意义：相比平行的多任务结构有更好的效果。这样的框架也可以扩展到更多高层任务应用，而且效果也比较好，这也符合真实的情况。
Peelnet：基于单视角彩色图片的带纹理的3D人体重建
论文名称：PeelNet: Textured 3D reconstruction of human body using single view RGB image
作者：Sai Sagar Jinka /Rohan Chacko /Avinash Sharma /P. J. Narayanan
发表时间：2020/2/16
论文链接：https://arxiv.org/abs/2002.06664
由于严重的人体自遮挡、衣服变化和光照变化等众多问题，从单张彩色图像恢复人体形状和姿势是一个非常具有挑战性的问题。本文提出了一种端到端的生成对抗网络框架PeelNet，来从单张RGB图片重建带纹理的3D人体模型。
作者提出将3D人体模型表达为对自遮挡鲁棒的分离的深度图和彩色图(peeled depth and RGB maps)，并提出一个完整的端到端的框架，从单张彩色人体图片预测分离的深度图和彩色图，并进一步生成带纹理的3D人体模型。
文章的方法不依赖于参数化人体模型，对于穿宽松衣服的人体能够得到更加精确的结果，而且能够很好地处理人体自遮挡情况。
论文名称：Visualizing and Understanding Neural Machine Translation
作者：Yanzhuo Ding / Yang Liu / Huanbo Luan / Maosong Sun
发表时间：2017/7/30
论文链接：https://www.aclweb.org/anthology/P17-1106.pdf
推荐原因
论文概要：目前深度学习发展迅速，但深度学习作为一个黑箱，越来越多的研究者开始关注深度学习的可解释性研究。本篇论文是17年的ACL论文，应用了LRP(layer-wise relevance propagation)方法对神经机器翻译进行了可视化理解。目前的注意力机制实际上表示了源语言和目标语言之间的联系，但不能很好地告诉我们目标语言是如何被翻译生成的。LRP(分层相关性传播)方法，最开始被应用于计算机视觉领域，通过计算单个像素对图像分类器预测结果的贡献进行可解释研究。本文将LPR方法应用在基于注意力机制的encoder-decoder模型中，去计算每个上下文单词对任意隐藏单元的贡献程度，从而可视化理解神经机器翻译模型。汉英翻译的实例研究表明，LRP方法可以很好地解释机器翻译的工作机制并且帮助分析翻译错误。
创新点与反思：本文首次应用LRP方法对NMT进行了可视化理解，并取得了不错的效果。LRP方法首先在计算机视觉领域被提出，作者将这种方法迁移应用到了自然语言处理领域，实际上现在计算机领域的深度学习可解释研究比较多，对其他领域的进一步研究有很好的借鉴意义。
深入研究整流器：在ImageNet分类上超越人的水平
论文名称：Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification
作者：Kaiming He / Xiangyu Zhang / Shaoqing Ren /Jian Sun
发表时间：2015/2/6
论文链接：https://arxiv.org/pdf/1502.01852.pdf
推荐原因
核心问题：这是一篇关于神经网络的权重参数初始化的文章，目前这种神经网络权重的初始化方法我是经常使用的，使用这种方法训练的神经网络训练更快，效果更好
创新点：
1、提出了PRULE激活函数
2、在ImageNet2012分类数据集上，到达4.94% top-5的错误率，超过当时最好的性能6.66%，超过人的水平5.1%
研究意义：神经网络的权重初始化是神经网络最重要的一步，因为不适当的神经网络初始化，很有可能导致神经网络不工作。
论文名称：Understanding the difficulty of training deep feedforward neural networks
作者：Xavier Glorot /Yoshua Bengio
发表时间：2010/2/11
论文链接：http://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf
推荐原因
