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。
ソースシーケンスとそれらの次のターゲットの間のハードインタラクション学習は,挑戦的であり,それは無数の逐次予測タスクに存在する。訓練プロセスの間,ほとんどの既存の方法は,間違った応答によって引き起こされる明示的に硬い相互作用に焦点を合わせる。しかし,モデルは学習可能なパターンの部分集合を捉えることによって正しい応答を行う可能性があり,それはいくつかの非学習パターンに暗黙に硬い相互作用をもたらす。このように,その一般化性能は弱められる。問題は,実質的類似候補目標の干渉のため,逐次予測でより深刻になる。この目的のために,主に2つのベース逐次学習ネットワークと相互排除蒸留(MED)から成る,硬さAware相互作用学習フレームワーク(HAIL)を提案した。基本ネットワークを,異なる訓練経験を獲得するために,異なる視点パターンを学習するために別々に初期化した。正しい応答の非尤度の形式における経験を,MEDによって互いに引き出して,それは,暗黙的に硬い相互作用を見つけ出すために相互の排他的知識を提供した。さらに,非尤度は,正しい応答のパターン学習を押し出すために付加的勾配を本質的に導入した。このフレームワークは,より多くのピアベースネットワークに容易に拡張できる。サイバーと物理空間をカバーする4つのデータセットについて評価を行った。実験結果は,著者らのフレームワークがトップkベースのメトリックに関していくつかの最先端の方法より優れていることを証明した。【JST・京大機械翻訳】
