Jun, 2015

问答：面向自然语言处理的动态记忆网络

PDF
TL;DR介绍了一种动态记忆网络 (DMN) 神经网络架构，它处理输入序列和问题，形成情节性记忆，并生成相关答案，用已训练的词向量表示和输入 - 问题 - 答案三元组训练，能在自然语言处理中取得最先进的结果。
natural language processingdynamic memory networkneural network architecturequestion answeringstate-of-the-art results
发现论文，激发创造
  • 视觉和文本问答的动态记忆网络

    本文通过分析动态记忆网络并提出多项改进，包括一种新的图像输入模块，实现在缺乏支持事实的情况下回答问题，该新型 DMN + 模型成功应用于视觉问答数据集和文本问答数据集上，且无需支持事实监督。

    Mar, 2016

  • 记忆网络

    本文介绍了一种新的学习模型 - 记忆网络，利用推理组件和长期记忆组件共同学习。这些模型可以用于问答型任务中，长期记忆作为动态知识库，输出为文本响应。在评估中表明记忆网络模型在问答中具有强大的推理能力。

    Oct, 2014

  • 基于深度学习的问答模型实证研究

    本文研究深度学习模型，结合记忆组件或注意力机制进行问答任务。我们比较了三种模型：神经机器翻译、神经图灵机和记忆网络，用于一个模拟 QA 数据集。研究表明，注意力和记忆的组合有潜力解决某些 QA 问题。其中，本文是首个使用神经机器翻译和神经图灵机解决 QA 任务的研究。

    Oct, 2015

  • 通过虚拟图像进行问答的视觉化思维

    本文研究了几何推理在问答中的应用，提出了动态空间记忆网络（DSMN）解决特定问题的新型深度神经网络架构，并在 FloorPlanQA 数据集上验证了其可行性。

    May, 2018

  • 利用动态记忆网络结合外部知识回答开放式视觉问题

    本文提出了一种基于动态记忆网络和外部知识库的 VQA 算法，通过对外部知识的检索和动态记忆网络对知识和图像的关注与推理，有效地回答包括开放领域问题在内的更复杂问题，并在视觉问答任务中取得了最好的表现。

    Dec, 2017

  • 面向未知词的层次记忆网络答案选择

    论文提出了一种新的分层记忆网络 (Hierarchical Memory Networks, HMN)，它利用注意力机制在句子级别和单词级别的记忆上分别进行推理，以处理在答案中出现较少或不知道的词汇，并在实验中证明其表现优于记忆网络。

    Sep, 2016

  • 学习组合神经网络用于问题回答

    本文介绍一种基于自然语言字符串的问答模型，适用于图像和结构化知识库，通过可组合模块自动组装神经网络，并通过强化学习来学习这些模块的参数，同时只需要（世界、问题、答案）三元组作为监督，我们的方法（称为动态神经模型网络）在视觉和结构化领域的基准数据集上取得了最先进的结果。

    Jan, 2016

  • 电影故事问答的渐进式注意力记忆网络

    本文提出了一种用于电影故事问答的渐进式注意力记忆网络 (PAMN)，通过使用渐进式注意力机制、动态模态融合和置信度校正回答方案来解决电影故事问答中的难题，实现了在公开基准数据集 MovieQA 和 TVQA 上的最佳结果。

    Apr, 2019

  • 动态协同网络用于问答

    我们提出了动态协同注意网络（DCN）来解决深度学习模型在问题回答中可能会遇到局部极大值的问题，并在 Stanford 问题回答数据集上将准确率从 71.0% F1 提高到 75.9％ F1，使用 DCN 合奏能够获得 80.4％ F1。

    Nov, 2016

  • DeepStory: 基于深度内嵌记忆网络的视频故事问答

    通过使用大量卡通视频学习，我们展示了 AI 代理执行视频故事问答的可能性。我们的深度嵌入记忆网络 (DEMN) 模型使用观测数据的潜在嵌入空间重构场景 - 对话视频流中的故事，并将视频故事存储在长期记忆组件中。对于给定的问题，基于 LSTM 的注意力模型使用长期记忆来召回包含关键信息的特定单词的最佳问题 - 故事 - 答案三元组。我们在一个新的儿童卡通视频系列 Pororo 的 QA 数据集上训练了 DEMN，并且实验结果表明 DEMN 在 QA 上优于其他模型，这主要得益于 1）利用潜在嵌入对场景 - 对话组合形式的视频故事进行重构，2）使用了注意力。DEMN 还在 MovieQA 基准测试上实现了最先进的成果。

    Jul, 2017