抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
自然言語質問は本質的に組成と,多くはモジュール部分問題への分解に関する推論によって最も容易に答えた。例えば,「同数ボールと箱の」に答えるために,ボールを探す,ボックスを探す,それらを計数し,その結果を比較することができる。最近提案されたニューラルモジュールネットワーク(NMN)アーキテクチャ[3+2]は,このアプローチが言語部分構造への構文解析質問により回答とそれぞれが一つのサブタスクを解決する小さいモジュールからの質問特異的深層ネットワークをQ&Aに実装している。しかし,既存のNMN実装は脆性市販パーザに依存しており,これらのパーザによって提案されたモジュール配置よりもむしろデータから学習に限定される。本論文では,エンドツーエンドモジュールネットワーク(N2NMNs),パーザの助けを借りずに例えば特定のネットワークレイアウトを直接予測することにより推論するため学習を提案した。著者らのモデルは,ネットワーク構造(エキスパートデモンストレーションを模倣した)同時に学習ネットワークパラメータ(下流タスク損失を用いた)を生成するために学習する。組成質問応答を標的とした新規CLEVRデータセット上での実験結果により,N2NMNs状態theart注意アプローチと比較して約50%の誤差低減を達成することを示す,各質問に特化した解釈可能なネットワークアーキテクチャを発見した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】