ICLRDec, 2013

学习基于类型驱动的张量意义表示

PDF
TL;DR本文研究了表示及物动词语义的三阶张量的学习，使用了基于张量的语义框架，并使用神经网络的标准技术学习张量，并在简单的二维句子空间上进行了选择偏好式任务的测试，并与竞争性基于语料库的基线进行比较，结果有希望，扩展这项工作超越及物动词，并针对更高维的句子空间，是机器学习社区需要考虑的有趣和具有挑战性的问题。
3rd-order tensorstransitive verbscompositional distributional semanticsneural networksmachine learning
发现论文，激发创造
  • 组合分布式语义的多步回归学习

    介绍一种基于张量及向量的学习方法，并在数据集上进行了评估，表现超过了现有的先进方法，同时也适用于解决组合分布式模型可能遇到的更微妙问题。

    Jan, 2013

  • 意义组合分布式模型的具体句子空间

    本文提供了一种用于实现分布式语义中语义合成模型的矢量空间的具体方法，实现方法基于结构化向量空间及张量积原理，将所有句子的语义矢量存在同一向量空间，并将提出的句子空间设置为两个名词空间的张量积，并通过它们的向量内积来比较句子的语义。

    Dec, 2010

  • 在张量组合设置中评估神经词表示

    在多项组合任务中，我们提供一项神经词表示和基于共现计数的传统向量空间之间的比较研究。在三个不同的语义空间中，我们实现了七个基于张量的组合模型，并在涉及动词消歧和句子相似性的任务中进行测试。在大规模任务中，神经词嵌入表现优越，表现稳定。

    Aug, 2014

  • 利用句子可信度学习及物动词的语义

    利用逻辑回归分类器的参数构建线性映射，进行基于似然性的训练，用于形成具有歧义消解功能的动词矩阵；与基于语料库的方法相比较，该方法表现更有效。

    Nov, 2014

  • 基于实践学习的组合向量语义

    提出了一种在脉冲神经网络结构中实现复合分布语义、解决概念绑定问题的方法，利用标记图像进行词向量训练。

    Jan, 2024

  • 在 DisCoCat 中探索传递动词

    DisCoCat model 在组合分布式意义、语义逻辑、范畴语法等方法方面表现出很好的性能，本文扩展研究着重探讨 DisCoCat 的矩阵方法在处理及消除动词歧义方面的应用。

    Jul, 2011

  • 轨迹是否编码动词意义？

    本研究探讨了轨迹（即物体位置和旋转随时间变化的道路）能否自然地编码动词语义，研究结果表明，轨迹本身与某些动词（如 fall）相关联，而通过自我监督预训练来进行进一步的抽象可以更好地捕捉动词含义上的细微差别（如 roll 与 slide）。

    Jun, 2022

  • 使用三阶张量积学习推理

    本文采用递归神经网络与张量积表示相结合的方法，学习顺序数据的组合表示并在多个简单的自然语言推理任务中取得显著优于最新先进模型的表现，同时证明该方法的泛化性能优于现有最新先进技术。

    Nov, 2018

  • 张量空间中的广义语言模型

    通过利用张量网络和张量分解，本文提出了一种名为 “张量空间语言模型” 的高维语义空间，其张量表示是 n-gram 语言模型的一种泛化，可用于语言建模。

    Jan, 2019

  • 比较轨迹和视觉模态的动词表示方法

    本文测试了 2D 图像和 3D 轨迹编码器在学习动词概念时的效果，发现 2D 图像在语言表示学习方面和 3D 轨迹表现相似，挑战了通常认为更丰富的环境表示一定能够更好地进行语言表示学习的传统智慧。

    Mar, 2023