该论文提出了一种泛用的技术,将递归神经网络和深度置信网络相结合,用于建模时间依赖性和序列生成,特别适用于多声部音乐生成任务。
Dec, 2014
本文提出了一种新的多层 RNN 模型 —— 密集连接的双向长短期记忆网络 (DC-Bi-LSTM),并在五个句子分类基准数据集上进行了评估。结果显示,相比同等或更少的参数的传统双向 LSTM,深度为 20 的 DC-Bi-LSTM 模型可以成功训练,并获得了显著的改进。此外,与最先进方法相比,我们的模型表现具有很好的潜力。
Feb, 2018
本文提出了一种用于噪声环境下语音自动识别的新型深度循环神经网络模型,结合了深度神经网络和双向长短期记忆网络,在华尔街日报数据集上相较于传统深度神经网络模型提高了近 8%。
Apr, 2015
本文提出了一种基于深度双向和单向 LSTM 神经网络的交通速度预测模型,该模型可以处理缺失值,适用于高速公路和城市道路等复杂网络,比其他模型更准确和稳健。
Jan, 2018
通过构建时序 Sigmoid 置信网络的层次结构,设计深动态生成模型,引入识别模型从变分后验中快速采样,提出的方法在多种序列数据上取得最先进的预测性能,能够合成各种序列。
Sep, 2015
论文提出了一种新的深度学习架构,用于解决自然语言推理任务,采用依赖阅读的双向 LSTM 网络(DR-BiLSTM)来模拟前提和假设之间的关系。采用复杂的集成策略将多个模型组合起来,进一步提高了结果。研究表明 DR-BiLSTM 在 Stanford NLI 数据集上获得了最佳单模型和集成模型效果,取得了新的最优成绩。
本研究提出了一种新的深度学习模型,结合了视觉提示信息和音频信号,采用双向长短时记忆网络进行特征集成,以提高噪声下语音信号增强的质量。
Jun, 2016
本研究提出了一种基于双向长短期记忆递归神经网络(BLSTM-RNN)的统一标记解决方案,可应用于各种标记任务,包括词性标注、分块和命名实体识别,该方法利用从无标记文本中学习的一组独立任务特征和内部表示,并不需要特定的任务知识或复杂的特征工程,在所有这三个标记任务中获得了几乎最先进的性能。
Nov, 2015
本文介绍了一种基于 LSTM 的循环神经网络架构,用于训练大词汇量的语音识别声学模型,与传统的 RNN 和深度神经网络进行了比较。结果表明,LSTM 模型收敛速度快,对于相对较小的模型具有最先进的语音识别表现。
Feb, 2014
本研究针对多 GPU 设备下,探讨了基于深度 LSTM 的语音识别任务,通过构建深度循环神经网络来提升深层次模型效率,实验结果表明深度 LSTM 网络的性能优于浅层次模型。
Oct, 2014