ICMLApr, 2017

通过强制单调对齐实现在线和线性时间注意力

PDF
TL;DR研究提出一种可用于在线设置中，使得注意力机制在线性时间内计算的可微分方法，- 该方法通过学习单调对齐来解决软注意机制在线性时间复杂度下难以实现的问题，并在句子摘要、机器翻译和在线语音识别领域实现了有竞争力的结果。
发现论文，激发创造
  • 使用连续奖励策略梯度学习在线对齐

    本研究提出一种使用硬实时在线对齐而非软离线对齐的序列到序列问题解决方法，使用硬二元随机决策来选择输出时间步，使用标准策略梯度方法训练该模型，以实现高精度的基于语音的实时翻译。在实验中，该模型在 TIMIT 和 WSJ 语音识别数据集上表现出令人鼓舞的性能。

    Aug, 2016

  • 偏向于单调性的 Transformer 注意力

    本文研究自然语言处理中序列到序列任务的单调注意力特性，并介绍了一种与标准注意力机制兼容的单调损失函数，经过实验表明可以在一定程度上实现单调性，但性能的提升并不是非常显著。

    Apr, 2021

  • 基于逐步单调注意力的神经 TTS 鲁棒序列到序列声学建模

    提出了一种基于步骤单调注意力方法，将严格单调性和强制的注意力硬约束引入到序列到序列的声学建模中，以改善神经 TTS 中的模型鲁棒性并获得显著的性能提升。

    Jun, 2019

  • 基于 monotonic attention 的字符级转导的精确硬对齐

    本文针对常见的字符级字符串转换任务，如字形到音素转换和形态变化，探讨单调性是否真的是这些任务中的有益归纳偏差，提出了一种强制严格单调性的硬注意力序列到序列模型，并结合动态规划精确计算所有单调位置对齐的边际化，取得了形态变化方面的最新成果。

    May, 2019

  • 单调块级注意力

    本文介绍了一种名为 MoChA 的注意力机制，该机制可以将输入序列自适应地分成小块，以实现在线和线性时间解码，并在在线语音识别和文档摘要等任务中取得了良好的结果。

    Dec, 2017

  • 字符级转导的硬非单调注意力

    研究了字符串之间的转换，提出了一个新的算法基于神经再参数化古典的 IBM Model 1 模型，证明了难处理的非单调注意力在这项任务上也可以用硬式处理来解决。

    Aug, 2018

  • 单调多头注意力

    本文提出了一种名为 Monotonic Multihead Attention（MMA）的新型注意力机制，可应用于同时翻译的机器翻译任务，并介绍了两种特定于多头注意力的新颖且可解释的延迟控制方法，与最先进的 Milk 方法相比，MMA 具有更好的延迟 - 质量平衡，同时分析了延迟控制对关注范围的影响，通过分析解码器层数和头数对质量和延迟的影响来证明模型的引入。

    Sep, 2019

  • 基于 Transformer 的自适应稀疏和单调注意力自动语音识别

    研究将稀疏和单调注意力引入基于 Transformer 的自动语音识别，以克服传统 Transformer 中针对流式识别的自我注意和多头注意的局限性，并在多项基准测试中取得了良好的效果。

    Sep, 2022

  • 语音识别序列到序列模型中的监督式注意力

    本文研究序列到序列模型中注意力机制，通过监督学习的方法对注意力权重和输出对齐进行训练，实验结果表明，对齐学习对模型性能的提升至关重要。

    Apr, 2022

  • 序列到序列声学建模中的前瞻注意力机制在语音合成中的应用

    本文提出了一种前向注意力机制的序列到序列的语音合成声学建模方法，该方法基于从电话序列到声学序列的单调对齐的自然属性，并使用前向算法递归地计算每个时间步长的修改后的注意力概率。实验结果表明，前向注意力方法具有更快的收敛速度和更高的稳定性。此外，过渡代理可以有效地提高合成语音的自然性，并控制合成语音的速度。

    Jul, 2018