关注即可获取arXiv每日论文自动推送；
如果您有任何问题或建议，请公众号留言。
[如果您觉得本公众号对你有帮助，就是我们最大的荣幸]
今日 cs.AI方向共计11篇文章。Artificial Intelligence(6篇)[1]：A flexible integer linear programming formulation for scheduling  clinician on-call service in hospitals
标题：用于医院临床医生呼叫服务调度的柔性整数线性规划公式
作者：David Landsman, Huiting Ma, Jesse Knight, Kevin Gough, Sharmistha Mishra
链接：https://arxiv.org/abs/1910.08526
摘要：医院环境中人员的安排对于改善为患者提供的服务和平衡分配给临床医生的工作量至关重要。在这种情况下，已经尝试并成功地应用了许多方法来生成有效的调度。然而，由于调度问题的计算复杂性一般，大多数方法采取启发式找到一个非最优的解决方案在合理的时间量。我们设计了一个整数线性规划公式来寻找医院临床部门的最佳计划。我们的配方通过最小化约束集减轻了与计算复杂性相关的问题，但保留了足够的灵活性，以便它能够适应各种临床分区。
然后，我们使用加拿大多伦多圣迈克尔医院传染病科的数据，对我们的方法进行了一个案例研究。我们分析和比较了我们在医院手工创建时间表的方法的结果，发现改进了对部门约束和临床医生偏好的遵守。我们使用模拟数据来检验我们的线性程序运行时对各种参数的敏感性，并观察到令人放心的结果，这表明我们的方法在不同的现实场景中的实用性和可推广性。[2]：Reflecting After Learning for Understanding
标题：学以致知后的反思
作者：Lee Martie, Mohammad Arif Ul Alam, Gaoyuan Zhang, Ryan R. Anderson
备注：Presented at the Advances in Cognitive Systems conference (this http URL) and to be published in the Advances in Cognitive Systems journal (this http URL)
链接：https://arxiv.org/abs/1910.08243
摘要：Today, image classification is a common way for systems to process visual content. Although neural network approaches to classification have seen great progress in reducing error rates, it is not clear what this means for a cognitive system that needs to make sense of the multiple and competing predictions from its own classifiers. As a step to address this, we present a novel framework that uses meta-reasoning and meta-operations to unify predictions into abstractions, properties, or relationships. Using the framework on images from ImageNet, we demonstrate systems that unify 41% to 46% of predictions in general and unify 67% to 75% of predictions when the systems can explain their conceptual differences. We also demonstrate a system in "the wild" by feeding live video images through it and show it unifying 51% of predictions in general and 69% of predictions when their differences can be explained conceptually by the system. In a survey given to 24 participants, we found that 87% of the unified predictions describe their corresponding images.[3]：Planning for Goal-Oriented Dialogue Systems
标题：目标导向对话系统的规划
作者：Christian Muise, Tathagata Chakraborti, Shubham Agarwal, Ondrej Bajgar, Arunima Chaudhary, Luis A. Lastras-Montano, Josef Ondrej, Miroslav Vodolan, Charlie Wiecha
备注：42 pages, 17 figures
链接：https://arxiv.org/abs/1910.08137
摘要：生成复杂的多回合面向目标的对话代理是一个难题，许多科技行业的领导者，包括IBM、Google、Amazon和Microsoft，都非常关注这个难题。这在很大程度上是由于市场对能够以目标为导向的行为的对话代理人的需求迅速增长。由于这些对话的业务流程性质，端到端机器学习系统通常不是一个可行的选择，因为生成的对话代理必须可以部署，并且可以代表编写它们的企业进行验证。
在这项工作中，我们提出了一种在创建面向目标的复杂对话系统时的范式转换，这种转换极大地消除了设计者手动指定对话树的需要，当交互模式超出标准模式（如时隙填充）时，几乎所有当前系统都必须求助于此。我们提出了一个对话代理的声明性表示，将由最新的规划技术处理。我们提出的方法涵盖了流程的所有方面；从模型征集到生成的计划/对话代理的执行。在此过程中，我们将介绍用于声明性对话合成的新的规划编码、作为对话架构师使用规范的各种接口，以及用于广义或有计划的健壮执行器。我们已经创建了所有组件的原型实现，并且在本文中，我们将进一步对结果系统进行经验演示。[4]：MultiVerse: Causal Reasoning using Importance Sampling in Probabilistic  Programming
标题：多元：概率规划中基于重要性抽样的因果推理
作者：Yura Perov, Logan Graham, Kostis Gourgoulias, Jonathan G. Richens, Ciarán M. Lee, Adam Baker, Saurabh Johri
备注：Logan and Yura have made equal contributions to the paper
链接：https://arxiv.org/abs/1910.08091
摘要：我们详细阐述了使用重要性抽样进行因果推理，特别是反事实推理。我们展示了如何在概率规划中实现这一点。通过考虑反事实查询的结构，可以显著地优化推理过程。我们还考虑设计选择，以实现进一步优化。我们介绍多元宇宙，概率编程原型引擎近似因果推理。我们提供了实验结果，并与现有的概率规划框架Pyro进行了比较，并使用了一些因果推理工具。[5]：Scoring-Aggregating-Planning: Learning task-agnostic priors from  interactions and sparse rewards for zero-shot generalization
标题：评分聚合计划：从交互中学习任务不可知的先验知识和零炮概括的稀疏奖励
作者：Huazhe Xu, Boyuan Chen, Yang Gao, Trevor Darrell
链接：https://arxiv.org/abs/1910.08143
摘要：人类可以从交互经验中学习与任务无关的先验知识，并在没有任何微调的情况下利用这些先验知识完成新的任务。本文提出了一种得分聚集规划（SAP）框架，该框架可以在稀疏报酬下从任意质量交互中学习任务不可知语义和动态先验知识，然后在零射击条件下对未知任务进行规划。该框架发现一个神经分数函数的局部区域状态和行动对，可以聚合，以近似质量的完整轨迹；此外，一个动态模型，学会了自我监督可以纳入规划。以前的许多利用交互数据进行政策学习的工作要么需要大量的政策环境交互，要么假设我们可以访问专家数据，同时我们可以使用纯非政策不完善的数据实现类似的目标。实例化我们的框架会产生一个对未显示任务的通用策略。实验表明，该方法在gridworld、机器人任务和视频游戏等领域的应用都优于基线方法。[6]：Contextual Joint Factor Acoustic Embeddings
标题：上下文连接因素声学嵌入
作者：Yanpei Shi, Qiang Huang, Thomas Hain
链接：https://arxiv.org/abs/1910.07601
摘要：将声学信息嵌入到固定长度的表示中是语音和音频技术中广泛应用的兴趣所在。我们提出了两种新的无监督方法来产生声学嵌入的声学环境建模。第一种方法是上下文联合因子合成编码器，其中编码器/解码器框架中的编码器被训练从周围的音频帧中提取联合因子以最佳地生成目标输出。第二种方法是上下文联合因子分析编码器，其中编码器被训练来分析源信号中与相邻音频最相关的联合因子。为了评估我们的方法与之前的工作相比的有效性，我们选择了两个任务-电话分类和说话人识别-并在不同的TIMIT数据集上进行了测试。实验结果表明，本文提出的方法优于电话分类基线，分类准确率为74.1%。当使用额外的域外数据进行训练时，对于电话分类和说话人识别任务，可以获得额外2-3%的改进。NLP方向重复(5篇)[1]：Towards Computing Inferences from English News Headlines
标题：从英语新闻标题计算推论
作者：Elizabeth Jasmi George, Radhika Mamidi
备注：PACLING 2019 Long paper, 15 pages
链接：https://arxiv.org/abs/1910.08294
摘要：报纸是一种流行的书面语篇形式，由于其新闻内容所提供的信息的新颖性，被许多人阅读。标题是任何报纸中阅读最广泛的部分，因为它的外观是大字体，有时是彩色印刷。本文提出并实现了一种计算英语新闻标题推理的方法，该方法排除了标题出现的上下文中的信息。这种方法试图产生读者在阅读一个新的标题时在头脑中形成的可能的假设。所产生的推论可能有助于评估新闻标题对包括儿童在内的读者的影响。社会事务现状的可理解性在很大程度上取决于标题的同化。由于独立于上下文的推理主要依赖于标题的语法，因此该方法使用标题的依存树来发现标题的语法结构并计算出它们的推理。[2]：Follow Alice into the Rabbit Hole: Giving Dialogue Agents Understanding  of Human Level Attributes
标题：跟随爱丽丝进入兔子洞：让对话代理了解人的等级属性
作者：Aaron W. Li, Veronica Jiang, Steven Y. Feng, Julia Sprague, Wei Zhou, Jesse Hoey
备注：Under review at AAAI 2020
链接：https://arxiv.org/abs/1910.08293
摘要：For conversational AI and virtual assistants to communicate with humans in a realistic way, they must exhibit human characteristics such as expression of emotion and personality. Current attempts toward constructing human-like dialogue agents have presented significant difficulties. We propose Human Level Attributes (HLAs) based on tropes as the basis of a method for learning dialogue agents that can imitate the personalities of fictional characters. Tropes are characteristics of fictional personalities that are observed recurrently and determined by viewers' impressions. By combining detailed HLA data with dialogue data for specific characters, we present a dataset that models character profiles and gives dialogue agents the ability to learn characters' language styles through their HLAs. We then introduce a three-component system, ALOHA (which stands for Artificial Learning On Human Attributes), that combines character space mapping, character community detection, and language style retrieval to build a character (or personality) specific language model. Our preliminary experiments demonstrate that ALOHA, combined with our proposed dataset, can outperform baseline models at identifying correct dialogue responses of any chosen target character, and is stable regardless of the character's identity, genre of the show, and context of the dialogue.[3]：Unsupervised Context Rewriting for Open Domain Conversation
标题：开放域会话的无监督上下文重写
作者：Kun Zhou, Kai Zhang, Yu Wu, Shujie Liu, Jingsong Yu
链接：https://arxiv.org/abs/1910.08282
摘要：上下文建模在开放域会话中有着举足轻重的作用。现有的工作或使用启发式方法或共同学习上下文建模和响应生成与编码器解码器框架。本文提出了一种显式的上下文重写方法，它通过考虑上下文历史来重写最后一句话。利用伪并行数据，采用强化学习方法，在CopyNet的基础上构造了一个上下文重写网络。重写后的话语有助于候选检索、可解释上下文建模，以及在多回合场景中使用单回合框架。实验结果表明，我们的模型在重写质量、多轮响应生成和基于端到端检索的聊天机器人方面都优于基线。[4]：RTFM: Generalising to Novel Environment Dynamics via Reading
标题：RTFM：通过阅读推广到新的环境动力学
作者：Victor Zhong, Tim Rockt?schel, Edward Grefenstette
备注：17 pages, 13 figures
链接：https://arxiv.org/abs/1910.08210
摘要：在强化学习中，获得能够推广到新环境的策略是一项挑战。在这项工作中，我们证明通过阅读策略学习者的语言理解是一个有希望的工具，推广到新的环境。我们提出了一个有根据的策略学习问题，read-to-Fight Monsters（RTFM），在这个问题中，代理必须对语言目标、文档中描述的相关动态以及环境观察进行联合推理。我们在程序上生成环境动力学和相应的动力学语言描述，这样，代理必须阅读以理解新的环境动力学，而不是记忆任何特定的信息。此外，我们还提出了txt2$\pi$，这是一个捕获目标、文档和观察之间三方交互的模型。在RTFM上，txt2$\pi$通过阅读扩展到新的环境中，在训练过程中看不到动态。此外，我们的模型在RTFM上优于电影和语言条件CNN等基线。通过课程学习，txt2$\pi$生成的策略在复杂的RTFM任务中表现出色，需要几个推理和引用步骤。[5]：HiExpan: Task-Guided Taxonomy Construction by Hierarchical Tree  Expansion
标题：HiExpan：基于层次树扩展的任务导向分类法构建
作者：Jiaming Shen, Zeqiu Wu, Dongming Lei, Chao Zhang, Xiang Ren, Michelle T. Vanni, Brian M. Sadler, Jiawei Han
备注：KDD 2018 accepted
链接：https://arxiv.org/abs/1910.08194
摘要：分类法对许多知识丰富的应用程序都有很大的价值。由于人工分类管理需要耗费大量的人力资源，因此对自动分类系统的构建提出了更高的要求。然而，大多数现有的自动分类构造方法只能建立超义分类，其中每个边缘仅限于表示“is-a”关系。这种限制限制限制了它们适用于更为多样化的现实任务，在这些任务中，亲子可能承载不同的关系。在本文中，我们的目标是从特定领域的语料库中构建一个任务指导分类法，并允许用户输入一个“种子”分类法，作为任务指导。我们提出了一个基于扩展的分类法构建框架，即HiExpan，它从语料库中自动生成关键字列表，并迭代地生长种子分类法。具体来说，HiExpan查看每个分类节点下的所有子节点，形成一个一致的集合，并通过递归地扩展所有这些集合来构建分类。此外，HiExpan还引入了一个弱监督关系提取模块来提取新扩展节点的初始子节点，并通过优化其全局结构来调整分类树。我们在三个来自不同领域的真实数据集上的实验证明了HiExpan在构建任务导向分类法方面的有效性。中文来自机器翻译，仅供参考。
扫描二维码
获取更多精彩
arXiv Daily
欢迎关注、转发、点击在看