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。
現代のニューラルネットワークは,多くの局面で一連の開発と成功を達成した。しかし,訓練分布外のデータに曝露すると,それらは正しい回答を予測することができない。本研究では,この一般化問題について関心があり,従って,長階にわたって系統的かつロバストに広範囲のモデルを解析した。関連する実験を,CLUTRRに基づいて行い,それは,小さな物語グラフ上の訓練による自然言語理解(NLU)システムの一般化を分析できる診断ベンチマークセットであり,より大きなものについて試験する。マルチ関係層グラフを処理するために,著者らは,2つのクラスのニューラルモデル,すなわち,グラフ構造データを処理できるグラフベースモデル,およびエッジ属性を同時に考察する。そして,グラフの線形化バージョンを処理できるシーケンスベースのモデルである「L-グラフ」である。広範な経験的評価を行い,修正再帰ニューラルネットワークが,修正グラフニューラルネットワークより優れた性能を持つ,全ての系統的一般化タスクにわたって驚くほど正確な結果をもたらし,一方,後者はよりロバストなモデルを生成することを見出した。【JST・京大機械翻訳】