SIGIRJul, 2017

使用全息双 LSTM 结构学习排名问题回答对

PDF
TL;DR本研究提出了一种名为 HD-LSTM 的深度学习架构，该架构通过引入全息复合方法扩展了长短时记忆（LSTM）神经网络，来处理问题和答案之间的语义关系，并通过无需人工提取特征的端到端训练方式来优化参数。实验结果表明，HD-LSTM 在两个常用的问答数据集上表现出色，证实了全息复合方法优于神经张量层的有效性。
发现论文，激发创造
  • 快速高效神经问答的双曲线表示学习

    该研究提出 HyperQA，是基于超伸缩空间对问题和答案嵌入之间的关系建模的简单但新颖的深度学习体系结构，它不需要进行特征工程，相似性矩阵匹配，复杂的注意机制或过度参数的层，但在多个基准测试中表现优异并与许多具有这些功能的模型保持竞争力。

    Jul, 2017

  • 使用具有潜在主题聚类的分层递归编码器进行排序问题 - 答案对的学习

    该研究提出了一种新型的神经网络架构，采用分层循环神经网络和潜在主题聚类模块进行候选答案排名，该模型的层级结构可以有效地捕捉整体含义并在长文本理解方面表现出色，并在两个数据集中取得了最佳的问题答案排序结果。

    Oct, 2017

  • 基于 LSTM 的深度学习模型用于非事实答案选择

    本文探索了一种深度学习框架，用于解决答案选择问题，结合双向长短期记忆模型、卷积神经网络和注意力机制，结果表明该模型在 TREC-QA 和 InsuranceQA 数据集上优于已有模型。

    Nov, 2015

  • 深度学习图像问题回答教程

    本教程介绍了一种基于神经网络的方法来回答关于真实世界图像内容的问题，使用 DAQUAR 和 VQA 数据集进行模型演示，并介绍了 Keras 和 Kraino 等深度学习框架，从图像识别方面进行进一步的性能提升。

    Oct, 2016

  • 开放式视觉问答

    研究使用深度学习框架解决视觉问答任务的方法，探索 LSTM 网络和 VGG-16、K-CNN 卷积神经网络提取图像特征，将其与问题的词嵌入或句子嵌入相结合进行答案预测。在 Visual Question Answering Challenge 2016 中获得了 53.62％的准确率。

    Oct, 2016

  • 多角度 LSTM 联合视觉表示学习

    我们提出了一种新颖的 LSTM 单元结构，能够学习从多个角度捕获的视觉序列中存在的内部和跨视角关系。我们证明，使用所提出的单元来创建神经网络，可以学习有效和更丰富的视觉表示，适用于口型识别和人脸识别等多角度视觉识别任务。我们在三个相关数据集上验证了我们提出的架构的性能，并将结果与融合策略，其他现有的多输入 LSTM 架构和替代识别方案进行了比较。实验表明，我们的解决方案在识别准确性和复杂性方面优于其他方案。

    May, 2021

  • 跨时间循环网络用于排序问题 - 答案对

    本文探讨了通过学习时间门，共同影响成对问题和答案学习表示的方法，并通过广泛实验证明了其在多个基准测试中实现的竞争性性能。

    Nov, 2017

  • 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

  • 使用 Match-LSTM 和答案指针 的机器阅读理解

    提出了一个基于匹配式 LSTM 和 Pointer Net 的神经网络结构，用于机器理解文本，能够在 Stanford Question Answering Dataset 数据集上对传统的逻辑回归与手工特征提取方法结果有显著的提升。

    Aug, 2016

  • 视觉问答的组合记忆

    本文提出了一种直接模拟语言和所有可能的本地图像补丁之间的时态动态的端到端方法，使用注意机制将与单词相关的特征和多个本地补丁上可用的特征融合在一起，并将融合的信息进一步结合生成动态信息，最终通过标准问题回答模块和上下文视觉信息和语言信息一起完成问题回答。

    Nov, 2015