机构名称：
¥ 1.0
神经网络是强大的函数估计器，这使其成为结构化数据建模的首选范例。然而，与其他强调问题模块性的结构化表示（例如因子图）不同，神经网络通常是从输入到输出的整体映射，具有固定的计算顺序。这一限制使它们无法捕捉不同方向的计算以及建模变量之间的交互。在本文中，我们结合因子图和神经网络的表示优势，提出了无向神经网络（UNN）：一个灵活的框架，用于指定可按任何顺序执行的计算。对于特定的选择，我们提出的模型包含并扩展了许多现有架构：前馈网络、循环网络、自注意网络、自动编码器和具有隐式层的网络。我们展示了无向神经架构（包括非结构化和结构化）在一系列任务上的有效性：树约束依赖性解析、卷积图像分类和注意序列完成。通过改变计算顺序，我们展示了如何将单个 UNN 用作分类器和原型生成器，以及如何填充输入序列的缺失部分，使其成为进一步研究的一个有前途的领域。
使用无向神经网络建模结构
主要关键词
相关文件推荐
