高速で効率的なニューラル質問応答のための双曲線表現学習【JST・京大機械翻訳】

Tay Yi; Tuan Luu Anh; Hui Siu Cheung

文献

J-GLOBAL ID：202002221369770362 整理番号：20A1867906

高速で効率的なニューラル質問応答のための双曲線表現学習【JST・京大機械翻訳】

Hyperbolic Representation Learning for Fast and Efficient Neural Question Answering

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A1867906&from=J-GLOBAL&jstjournalNo=D0698C") }}

著者 (3件)： , ,
資料名：
号： WSDM ’18 ページ： 583-591 発行年： 2018年
JST資料番号： D0698C 資料種別：会議録 (C)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

質問回答検索における支配的なニューラルアーキテクチャは,複雑な単語マッチング層によって構成されたリカレントまたは畳込み符号器に基づいている。最近の建築革新は,主に新しい単語相互作用層または注意ベースのマッチング機構であるとすれば,これらの成分が良好な性能のために必須であることはよく確立された事実である。残念なことに,これらの複雑な機構によってもたらされるメモリと計算コストは,実用化にとって望ましくない。このように,本論文では,単純なニューラルアーキテクチャで競合性能を達成できるかどうかの疑問に取り組んだ。高速で効率的な質問-回答ランキングと検索のための簡単で新しい深層学習アーキテクチャを提案した。より具体的には,提案のモデル,HyperQAは,複数のQAベンチマーク上で,Attenive Pooling BiLSTMやMulti-Perspective CNNのような他のパラメータ集約モデルよりも性能が優れているパラメータ効率的なニューラルネットワークである。ハイパーQAの背後にある新規性は,ユークリッド空間の代わりに双曲線空間における質問と回答埋込み間の関係をモデル化するペアワイズランキング目標である。これは自己組織化能力でこのモデルを電力化し,質問と回答の埋込みを学習しながら潜在階層の自動発見を可能にする。著者らのモデルは,特徴工学を必要とせず,類似性マトリックスマッチング,複雑な注意機構も過剰パラメータ化層も必要とせず,複数のベンチマーク上でこれらの機能性を持つ多くのモデルに対して,まだ性能が優れている。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

著者キーワード (3件)： , ,

人工知能 , 自然語処理

, ,

前のページに戻る