为了让我们的读者能够更好地了解最新的学术动态，AI 研习社特推出【今日 Paper】系列，每天为大家精选一篇与人工智能相关的前沿学术论文。以下是今天的精选内容：
多尺度自监督表征提升小样本学习表现
这篇论文探讨了如何通过多尺度自监督表征来提高小样本学习的性能。在深度学习领域，特别是在图像识别和目标检测等任务中，小样本学习一直是一个重要问题，因为它可以帮助模型在数据稀缺的情况下仍然保持良好的性能。作者们提出了一个名为“二阶池化”的方法，它结合了多尺度表征和自监督训练，能够有效地处理不同分辨率下的图像，并且在几个小样本学习数据集上取得了优异的结果。
深度学习新闻推荐系统设计元架构
另一篇文章探讨了基于深度学习的人工智能新闻推荐系统设计方法。这份博士毕业论文详细介绍了一种名为CHAMELEON的基于深度学习的新闻推荐系统设计元架构。CHAMELEON提供了一种模块化推理结构，可以根据具体需求选择不同的神经网络基础组件。此外，该研究还解决了冷启动情景的问题，对于想要理解或开发类似推荐系统的人员来说，这是一份极其有价值的参考资料。
几何GCN：一种新的图神经网络框架
此文入选ICLRL2020口头报告，是对图神经网络（GNNs）领域的一个重要贡献。作者提出了一种新颖的地形GNN（Geom-GCN），该算法通过将原始图映射到隐空间并建立相似性关系，从而保持高阶节点相似的能力。此外，该算法还包括一个聚合器，可以考虑节点间集合关系，从而增强模型鲁棒性。
多路编码以提升鲁棒性
最后，这篇文章探讨了如何通过编码来提高模型鲁棒性的问题。在计算机视觉任务中，深层模型虽然取得巨大成功，但容易受到对抗攻击。本文证明了一维热编码是导致这种情况直接原因，并提出了一种新的多路编码方法，使得目标模型更加安全，在各种攻击场景下都能显著提升模型鲁棒性。
这些前沿研究成果不仅对于追求技术创新的人士具有启发意义，而且对于那些希望快速掌握最新知识、参与科研项目或应用学术理论于实际工作中的个人来说，都是一次宝贵机会。
