- MUTE-SLAM:实时神经 SLAM 与多个三面平面哈希表示
引入 MUTE-SLAM,一种实时的神经 RGB-D SLAM 系统,采用多个三平面哈希编码来进行高效的场景表示。MUTE-SLAM 有效地跟踪相机位置并逐步构建可扩展的多地图表示,适用于小型和大型室内环境。该系统动态为新观察到的局部区域分 - EMNLP解释机器翻译语言:神经分类器为何更好,又学到了什么?
通过实验,我们发现神经元模型 BERT 在特定任务下表现更好的原因是其具有更好的特征表示,尤其是与传统手工特征相比。此外,BERT 的高性能也与其对文本主题和错误相关性的学习有关。
- EMNLP通过语义奖励提高放射科报告生成的事实正确性
通过使用 RadGraph 奖励提出了一种基于胸透领域实体和实体关系的新方法,以进一步提高放射学报告的实际完成和正确性,该方法显着改善了放射学报告生成效果。
- 科学的神经符号编程
Neurosymbolic Programming techniques combine neural and symbolic components to learn complex patterns from data, and can - Longtonotes: 更长的 OntoNotes 指代链
本研究建立了一个新的语料库 LongtoNotes,其中包含了英语文本中多种类型,长度不同的文档,并在其中评估了最新的神经共指系统,分析了模型结构 / 超参数与文档长度对性能和效率的影响,还提出了长文档共指建模中的改进问题。
- 真相与唯一的真相:使用数据流传输和受限解码的忠实可控对话响应生成
介绍了一种基于规则式与神经式语言生成结构的对话回复生成方法,该系统在流畅性,相关性和真实性方面在人类评估中的性能都优于基于规则式和学习式的方法。
- WSDM利用自我预训练的半监督文本分类
该研究提出了一种名为 Self-Pretraining 的神经半监督学习模型,该模型可以无阈值地更新先前标记的文档的信念,并且可以处理语义漂移问题,使用迭代蒸馏过程,跨迭代传输假设,利用两阶段训练模型,使用高效的学习率调度和使用伪标签转换启 - ACL多模机器翻译中视觉语境需要的经验证实
通过设计可解释的多模态翻译模型,我们发现多模态信息对于机器翻译的提升并不显著,相反是由于正则化效应带来的,这一发现强调了可解释性在未来研究中的重要性及其作用。
- PyTorch Geometric Temporal: 基于神经机器学习模型的时空信号处理
PyTorch Geometric Temporal 是一个基于 PyTorch 的神经几何时态信号处理深度学习框架,可以用于实现预测性能较好的模型解决传染病预测、打车服务的预测和网络流量管理等现实问题,并具备运行在具有丰富时空特征的 We - ACL系统地探索长文档摘要中的冗余减少
本研究探索和比较了在长篇文档自动摘要时处理冗余的不同方法,并在这些类别的语境下提出了三种平衡非冗余性和重要性的方法。实验证明,我们的方法在减少冗余的同时,在两个科学论文数据集(Pubmed 和 arXiv)的 ROUGE 分数方面实现了最先 - EMNLP利用对齐信息预训练多语言神经机器翻译
我们提出了 mRASP,这是一种预训练通用多语言神经机器翻译模型的方法,通过其新颖的技术可以在表示空间中将具有相似含义的词和短语接近,并在 32 种语言对上进行了联合预训练,进而在下游语言对上进行微调,结果显示 mRASP 取得了显著的性能 - 分析可微模糊逻辑运算符
研究表明在半监督学习中,将符号方法和神经方法相结合,并且使用基于模糊逻辑的运算符,可以使神经网络加入先前的背景知识和逻辑推理从而提高性能。
- ACL提取和编辑:自监督神经机器翻译的备选方案
提出并实现了一种基于抽取 - 编辑方法的无监督神经机器翻译,与以往仅使用错误积累法的基准性方法相比,在多个语言对和领域(包括低资源语言)的实验中表现更加优异。
- 面向对话人工智能的神经网络方法
该论文综述了近年来开发的面向神经对话系统的方法,将其分为三个类别:问答代理、任务导向对话代理和聊天机器人,并分别介绍了最新的神经方法及其与传统方法的联系,并以特定系统和模型作为案例研究,讨论了已取得的进展和仍然面临的挑战。
- EMNLP利用不同来源的遥感监督进行低资源词性标注
介绍了一种跨语言的神经词性标注器,利用注释投影、实例选择、标签字典、形态学词汇和分布式表征等多种方法,可以适用于数百种低资源语言,并实现了一种新的最佳方法,无需访问任何黄金注释数据。
- 使用深度神经网络学习下棋(奥赛罗棋)
本研究通过使用卷积神经网络对黑白棋游戏(Othello)中的移动预测器进行测试,证实了神经运动预测器具有非常高的能力和与游戏强度之间的强相关性,并在强度和预测准确度上超过了以前的最佳算法和现有的最强开源算法 Edax。
- 神经网络与基于短语的机器翻译的细粒度人类评估
本研究通过错误标注的方法比较了三种统计机器翻译方法(基于短语、因式分解基于短语和神经网络),结果显示最佳性能的神经网络系统比最差性能的基于短语系统减少了 54% 的错误,而错误类型符合多维质量度量标准(MQM)。
- 基于强化学习的对话系统中语言理解影响的研究
本文研究了语言理解模块如何影响基于强化学习的任务导向的神经对话系统的性能,结果发现词槽错误对对话系统的整体表现影响较大,实验也说明该对话系统可以通过强化学习学习确认何时以及何种方式实现更好的性能和更高的鲁棒性。
- QCRI IWSLT 16 机器翻译系统
本文介绍了 QCRI 针对 IWSLT 2016 的机器翻译系统。作者们建立了基于短语和神经网络的机器翻译模型,并比较了两种模型在阿拉伯语 - 英语语言对中性能的表现。研究结果表明,在阿拉伯语 - 英语翻译中,神经网络模型的 BLEU 值比 - 全神经语音识别的进展
本文提出了一种基于 CTC 的全神经网络语音识别器的设计方法,包括新的符号存储库、基于迭代的 CTC 方法、稳定化方法和初始化方法等,使用 NIST 2000 会话电话测试集进行了评估,结果表明该系统明显超过了先前发布的相似系统的性能,无需