该研究提出了一种基于树的卷积神经网络模型,结合深度学习和语言结构,利用单词之间的各种长距离关系来提高情感分类和问题分类任务的准确性,并在 TREC 数据集上取得了最高的准确性。
Jul, 2015
本研究旨在通过 Dependency Sensitive Convolutional Neural Networks (DSCNN) 分类系统实现句子和文档的表示,不需要依靠解析器和昂贵的短语标记,拓展了句子层级处理的任务范围,并以其在情感分析、问题分类和主观分类等任务中取得的最新表现获得了验证。
Nov, 2016
本文介绍了一种称为动态卷积神经网络的卷积架构,它使用动态 k-Max 池化进行句子的语义建模,并通过四项实验(二进制和多类情感预测,六路问题分类和推特情感预测)展示了出色的表现。
Apr, 2014
本文提出了一种基于学习的场景解析方法,通过逐层递归的上下文传播方式,以图像中的超像素为分类基础进行解析,并利用 MRF 模型建模结果的层次依赖关系从而实现对 Stanford Background,SIFT-Flow 和 Daimler urban 数据集的最新性能。
Mar, 2015
本文提出 Continuous Recursive Neural Network (CRvNN) 作为递归神经网络(RvNN)的可替换方案,以解决传统 RvNN 在处理序列中诱导潜在结构方面的局限性,并通过在潜在结构中引入连续松弛来改进该方案,从而在逻辑推理和自然语言处理等多项任务中取得了显著表现。
Jun, 2021
本文提出了一种基于循环神经网络的简单框架,并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点,并在使用 MIMLRE 数据集的实验中表现出优异的性能。
Aug, 2015
该研究提出了一种基于深度卷积神经网络和分层递归神经网络的图像分类模型,以更好地编码图像区域之间的空间和比例依赖关系,从而取得了在四个具有挑战性的目标 / 场景图像分类基准测试中最先进的结果。
Sep, 2015
本文提出了一种将传统基于特征的方法、卷积神经网络以及循环神经网络相结合的方法,以在关系提取任务上取得最先进的结果。
Nov, 2015
本文研究了如何将 RNN 语言模型与句子的句法依赖相结合,以提高递归神经网络 (RNN) 语言模型的性能和准确率,并在 Microsoft Research Sentence Completion Challenge 的评估中展示了其优越性,并达到了同类最先进模型的效果。
本文介绍了一种基于神经网络的贪心解析器,利用一种新的组合子树表示方法。该解析器和组合过程共同训练,且相互之间密切相关。使用连续(单词或标签)表示和循环神经网络进行组合和标记。我们在具有速度优势的同时获得了与众所周知的现有解析器相当的 F1 性能。
Dec, 2014