Скачать papernote - Скачать исходный код papernote

papernote

AI Исходный код

1.0.0

Скачать

Контроль качества и генерация текста

QA: на основе поиска (таблица лидеров):

2018.12 Проектирование и реализация XiaoIce, чуткого социального чат-бота [arxiv] [примечание]
2018.06 Моделирование многоходового разговора с глубокой агрегацией высказываний [arxiv] [примечание]
2017.11 Исследование диалоговых систем: последние достижения и новые рубежи [arxiv] [примечание]
2017.05 ИРГАН [архив] [примечание]
2017.02 Двустороннее многоперспективное сопоставление предложений на естественном языке [arxiv] [примечание]
2016.12 Новая архитектура для многоходового выбора ответа в чат-ботах на основе поиска [arxiv] [примечание]
2016.11 Модель сравнения-агрегирования для сопоставления текстовых последовательностей [arxiv] [примечание]
2016.10 Оценка контрастности шума для выбора ответа с помощью глубоких нейронных сетей [ученый-семантик] [примечание]
2016.02 Сети внимательного пула [arxiv] [примечание]
2015.11 Модели глубокого обучения на основе LSTM для нефактоидного выбора ответа [arxiv] [примечание]

чат-бот: на основе поколения:

2018.04 Больше чата: углубление и расширение темы чата с помощью глубокой модели [документ] [примечание]
2018.01 От Элизы до XiaoIce: проблемы и возможности социальных чат-ботов [arxiv] [перевод]
2017.11 Генерация нейронных ответов с помощью динамических словарей [arxiv] [примечание]
2017.11 MOJITALK: Генерирование эмоциональных реакций [arxiv] [примечание]
2017.07 AliMe Chat: механизм чат-бота на основе последовательности и переранжирования [aclweb] [примечание]
2017.04 Генерация эмоционального разговора с помощью внутренней и внешней памяти [arxiv] [примечание]
2017.03 Изучение разнообразия на уровне дискурса для моделей нейронного диалога с использованием CVAE [arxiv] [примечание]
2017.02 Модель нейронного диалога, основанная на знаниях [arxiv] [примечание]
2017.01 Генерация длинных и разнообразных ответов с помощью моделей нейронного диалога [arxiv] [примечание]
2016.07 Последовательность для обратной и прямой последовательности [arxiv] [примечание]
2016.06 Генерация нейронных ответов с учетом темы [arxiv] [примечание]
2016.06 Глубокое обучение с подкреплением для генерации диалога [arxiv] [примечание]
2015.03 Нейронная машина для короткого текстового разговора [arxiv] [примечание]

генерация текста

2018.06 Создание тем для эссе с помощью нейронных сетей [документ] [примечание]
2016.10 Генерация китайской поэзии с помощью нейронной сети на основе планирования [arxiv] [примечание]
2016.03 Включение механизма копирования в последовательное обучение [arxiv] [примечание]

классификация

2019.05 Как точно настроить BERT для классификации текста? [архив] [примечание]
2018.06 SGM: Модель генерации последовательностей для классификации по нескольким меткам [arxiv] [примечание]
2018.04 ETH-DS3Lab на SemEval-2018, задача 7: ... Классификация и извлечение отношений [arxiv] [примечание]
2017.08 Использование миллионов экземпляров эмодзи для изучения представлений в любой области для ... [aclweb] [примечание]
2016.xx LSTM на основе внимания для классификации тональности на уровне аспектов [aclweb] [примечание]
2016.07 Набор трюков для эффективной классификации текста (fasttext) [arxiv] [примечание]
2016.06 Иерархические сети внимания для классификации документов [aclweb] [примечание]
2016.03 Последовательная классификация коротких текстов с помощью рекуррентных и сверточных нейронных сетей [arxiv] [примечание]
2015.07 Классификация отношений путем ранжирования с помощью сверточных нейронных сетей [aclweb] [примечание]
2014.08 Сверточные нейронные сети для классификации предложений [aclweb] [примечание]
2012.07 Базовые показатели и биграммы: простая, хорошая оценка и классификация тем [aclweb] [примечание]

встраивание

встраивание слов:

2018.12 О размерности встраивания слов [arxiv] [примечание]
2018.09 Обнаружение расходящейся лингвистической информации в вложениях слов ... [arxiv] [примечание]
2018.02 Глубокие контекстуализированные представления слов (ELMo) [arxiv] [примечание]
2017.12 Достижения в предварительном обучении распределенных представлений слов [arxiv] [примечание]
2017.07 Простой подход к изучению встраивания многозначных слов [arxiv] [примечание]
2017.07 Имитирование встраивания слов с использованием RNN подслов [arxiv] [примечание]
2016.07 Обогащение векторов слов информацией о подсловах [arxiv] [примечание]
2013.01 Лингвистические закономерности в репрезентациях слов с непрерывным пространством [aclweb] [примечание]

вложение предложения:

2018.09 Полуконтролируемое моделирование последовательностей с перекрестным обучением [arxiv] [примечание]
Базовый уровень 2018.05 требует большей любви: простые модели на основе встраивания слов и... [arxiv] [примечание]
2018.04 Изучение семантического текстового сходства из разговоров [arxiv] [примечание]
2018.03 Эффективная основа для изучения представлений предложений [arxiv] [примечание]
2017.05 Обучение с учителем универсальных представлений предложений на основе данных NLI [arxiv] [примечание]
2016.11 Простой, но трудно превзойденный базовый уровень для встраивания предложений [открытый обзор] [примечание]
2016.05 Изучение вывода естественного языка с использованием двунаправленной модели LSTM и внутреннего внимания [arxiv] [примечание]
2016.02 Изучение распределенных представлений предложений на основе немаркированных данных [arxiv] [примечание]
2015.12 Изучение семантического сходства для очень коротких текстов [arxiv] [примечание]
2015.11 Порядковые вложения изображений и языка [arxiv] [примечание]
2014.05 Распределенные представления предложений и документов [arxiv] [примечание]

пользовательское встраивание:

2017.05 Количественная оценка психического здоровья в социальных сетях с помощью нейронных пользовательских встраиваний [arxiv] [примечание]

регуляризация и нормализация

2018.08 Dropout — это частный случай правила стохастической дельты: более быстрое и точное глубокое обучение [arxiv] [примечание]
2018.05 Как пакетная нормализация помогает оптимизации? (Нет, речь идет не о внутреннем сдвиге ковариат) [arxiv] [примечание]
2017.02 Пакетная перенормировка [arxiv] [примечание]
2016.07 Нормализация слоев [arxiv] [примечание]
2016.05 Методы состязательного обучения для полуконтролируемой классификации текста [arxiv] [примечание]
2016.03 Нормализация повторяющихся пакетов [arxiv] [примечание]
2016.02 Нормализация веса [arxiv] [примечание]
2015.10 Пакетно-нормализованные рекуррентные нейронные сети [arxiv] [примечание]
2015.07 Распределительное сглаживание с помощью виртуального состязательного обучения [arxiv] [примечание]
2015.02 Пакетная нормализация [arxiv] [примечание]
2014.12 Объяснение и использование состязательных примеров [arxiv] [примечание]
2013.06 Регуляризация нейронных сетей с помощью DropConnect [бумага] [примечание]
2009.06 Учебная программа [коллоберт] [примечание]

нейронная сеть

2019.01 Пришло время размахиваться? Сравнение функций активации глубокого обучения в задачах НЛП [arxiv] [примечание]
2018.03 Целевое отсев [открытый обзор] [примечание]
2017.11 Внимательные языковые модели [aclweb] [примечание]
2017.04 Языковые модели рекуррентных нейронных сетей контекстной двунаправленной долговременной краткосрочной памяти [aclweb] [примечание]
2017.04 Учимся создавать обзоры и определять настроения [arxiv] [примечание]
2017.04 Исследование разреженности в рекуррентных нейронных сетях [arxiv] [примечание]
2017.02 Глубокие сети не обучаются посредством запоминания [открытый обзор] [примечание]
2017.01 Языковое моделирование диалогового контекста с помощью рекуррентных нейронных сетей [arxiv] [примечание]
2016.11 Связывание векторов слов и классификаторов слов: структура потерь для языкового моделирования [arxiv] [примечание]
2016.11 Понимание глубокого обучения требует переосмысления обобщений [arxiv] [примечание]
2016.09 Обзор алгоритмов оптимизации градиентного спуска [arxiv] [примечание]
2016.09 Модели смеси Pointer Sentinel [arxiv] [примечание]
2016.08 Использование встраивания вывода для улучшения языковых моделей [arxiv] [примечание]
2016.03 Периодическое отключение без потери памяти [arxiv] [примечание]
2015.11 Добавление градиентного шума улучшает обучение очень глубоких сетей [arxiv] [примечание]
2015.11 Полуконтролируемое последовательное обучение [arxiv] [примечание]
2015.06 Визуализация и понимание рекуррентных сетей [arxiv] [примечание]
2015.xx Исчисление на вычислительных графах: обратное распространение ошибки [github] [примечание]
2014.12 Эмпирическая оценка вентильных рекуррентных нейронных сетей при моделировании последовательностей [arxiv] [примечание]
2014.09 Рекуррентная регуляризация нейронной сети [arxiv] [примечание]
2013.12 Как построить глубокие рекуррентные нейронные сети [arxiv] [примечание]
2010.xx Понимание сложности обучения нейронных сетей глубокого прямого распространения [изображение] [примечание]
2010.xx Автоэнкодеры со штабелированным шумоподавлением [бумага] [примечание]
2008.07 Унифицированная архитектура обработки естественного языка [коллоберт] [примечание]

трансформатор

2019.09 ALBERT: Lite BERT для самостоятельного изучения языковых представлений [arxiv] [примечание]
2019.07 RoBERTa: надежно оптимизированный подход к предварительному обучению BERT [arxiv] [примечание]
2019.04 ERNIE: Расширенное представление посредством интеграции знаний [arxiv] [примечание]
2018.10 BERT: Предварительное обучение глубоких двунаправленных преобразователей для понимания языка [arxiv] [примечание]
2018.06 Улучшение понимания языка с помощью генеративной предварительной подготовки [amazonaws] [примечание]
2018.03 Универсальный кодировщик предложений [arxiv] [примечание]
2017.06 Внимание — это все, что вам нужно [arxiv] [примечание]

последовательность за последовательностью

2018.07 Пошаговое увеличение данных для понимания языка диалога [arxiv] [перевод]
2018.07 Повышение беглости обучения и вывод для нейронной коррекции грамматических ошибок [aclweb] [примечание]
2017.04 Переходим к делу: суммирование с помощью сетей-генераторов указателей [arxiv] [примечание]
2017.04 Учимся просматривать текст [arxiv] [примечание]
2015.06 Сети указателей [arxiv] [примечание]
2015.06 Векторы пропуска мыслей [arxiv] [примечание]
2014.12 Грамматика как иностранный язык [arxiv] [примечание]
2014.12 Об использовании очень большого целевого словаря для нейронного машинного перевода [arxiv] [примечание]
2014.09 Нейронный машинный перевод от Jontly Learning to Align and Translate [arxiv] [примечание]
2014.09 Последовательное обучение с помощью нейронных сетей [arxiv] [примечание]

многозадачность

2019.01 Многозадачные глубокие нейронные сети для понимания естественного языка [arxiv] [примечание]
2018.08 Моделирование взаимосвязей между задачами в многозадачном обучении с помощью многоуровневой смеси экспертов [acm] [примечание]
2016.12 Преодоление катастрофического забывания в нейронных сетях [arxiv] [примечание]

распознавание сущности имени

2018.05 Китайский NER с использованием решетки LSTM [arxiv] [примечание]
2018.03 Нейронная мелкозернистая классификация типов объектов с потерями с учетом иерархии [arxiv] [примечание]
2017.04 Многозадачное обучение с частичным контролем для маркировки последовательностей [arxiv] [примечание]
2016.03 Нейронные архитектуры для распознавания именованных объектов [arxiv] [примечание]
2016.xx Нейронные архитектуры для детальной классификации типов объектов [aclweb] [примечание]

самостоятельное обучение

2020.02 Простая основа для контрастного изучения визуальных представлений [arxiv] [примечание]

другие

2017.06 Простой модуль нейронной сети для реляционных рассуждений [arxiv] [примечание]
2016.11 Слово или символы, детальная фильтрация для понимания прочитанного [arxiv] [примечание]
2016.08 Нейронный машинный перевод редких слов с единицами подслов (BPE) [aclweb] [примечание]
2005.08 Персонализация поиска посредством автоматического анализа интересов и действий [microsoft] [примечание]

Расширять

Дополнительная информация