NIPS selected paper :用於序列生成的推敲網路

Topic: Deliberation Networks: Sequence Generation Beyond One-Pass Decoding 

Figure 1. 推敲網路(Delibration network)的架構圖. 如圖藍色部分是編碼器(encoder), 右邊黃色部份是第一層解碼器(First-pass decoder).  綠色部分是第二層解碼器. 推敲網路主要是架在第二層解碼器(Second-pass decoder)上.

Editor:  Youngmi Huang

Resources:   paper    中文post    video

Label: NLP, RNN,NMT, Deliberation network

大意

這是微軟亞洲研究院這次在NIPS投稿的paper, 有作者video解釋. 就是將傳統用於自然語言序列生成的encoder – decoder, 加入了推敲網路(Delibration network)增強了解碼器的部分. 讓序列的輸出經過潤色.

Learned in Translation: Contextualized Word Vectors

Dosudo deep learning newsletter #3

Editor:     Howard Lo

Resources:     原始post   MIT Tech review   Blog   paper    Github

在目前 Computer Vision 的領域中，尤其是 Deep Learning，我們很常會使用 pretrain 在 ImageNet 上的 CNN (e.g. VGGNet) 中的 weights 來初始化我們自己 model 中的 layers，再針對我們的 task 做 fine tune，這也就是所謂的 “Transfer Learning” 的一種，好處是避免機器從頭開始學習，讓學習速度能夠更快，而且常常也有效能上的提升。再來，對應到 Natual Language Processing 的領域中，我們也會拿 Word2Vec 或是 GloVe 等等 pretrain 好的 word vectors 來初始化我們 neural network 的第一層 layer (embedding matrix)。這次，來自 Salesforce Research 團隊發現可以預先使用 pretrain 在 Machine Translation 的 model，再拿它的 context vectors 給其他 NLP 相關的 tasks 會比單純只用 pretrained word vector 有明顯的效能提升，得益於現有的 Machine Translation 豐富的語料庫，得以讓 word vector 更進一步的融合 context 的訊息，大家不妨可以試試看喔！

 

回到  Dosudo newsletter #3

Reading Wikipedia to Answer Open-Domain Question

Dosudo deep learning newsletter #3

Editor:     Howard Lo

Resources:     FB post   Paper    Github

在 Natural Language Processing (NLP) 的研究領域中，其中一項相當熱門的研究就是 Question Answering (QA)，而在今年的 NLP 頂尖國際會議 ACL 2017，Facebook AI Research 公佈了他們目前 QA 最新的研究 “Reading Wikipedia to Answer Open-Domain Question”，除此之外還開源了程式碼 DrQA 供大家使用，從結果中看起來還滿不錯的，讓我們就來看看他們是怎麼做的吧！