غالبا ما تنطوي النماذج الحسابية للغة البشرية على مشاكل في الحركة. على سبيل المثال، قد تهميش محلل احتمامي على العديد من الأشجار بشكل كبير لجعل التنبؤات. غالبا ما تستخدم الخوارزميات لمثل هذه المشكلات البرمجة الديناميكية وليست فريدة من نوعها دائما. يمكن
أن يكون العثور على واحد مع وقت تشغيل مقارب مثالي غير محدد، ويستغرق وقتا طويلا، وعرضة خطأ. يهدف عملنا إلى أتمتة هذه العملية الشاقة. بالنظر إلى برنامج إعلاني صحيح أولي، فإننا نبحث عن تسلسل من التحولات التي تحافظ على الدلالات لتحسين وقت التشغيل قدر الإمكان. تحقيقا لهذه الغاية، وصفنا مجموعة من تحويلات البرامج، وهي مترية بسيطة لتقييم كفاءة البرنامج المحول، وإجراءات البحث المثيرة لتحسين هذه المترية. نظهر أنه في الممارسة العملية، البحث الآلي - - مثل البحث العقلي الذي يؤديه مبرمجات البشر --- يمكن العثور على تحسينات كبيرة في البرنامج الأولي. تجريبيا، نظرا لأن العديد من عمليات السرعة الموصوفة في أدب NLP قد تم اكتشافها تلقائيا من خلال نظامنا.
الفهم القراءة الآلة التفاعلية (IMRC) هو مهام فهم الجهاز حيث تكون مصادر المعرفة يمكن ملاحظتها جزئيا.يجب أن يتفاعل الوكيل مع بيئة بالتتابع لجمع المعرفة اللازمة من أجل الإجابة على سؤال.نحن نفترض أن تمثيلات الرسم البياني هي تحيزات حثي جيدة، والتي يمكن أن
تكون بمثابة آلية ذاكرة الوكيل في مهام IMRC.نستكشف أربع فئات مختلفة من الرسوم البيانية التي يمكنها التقاط معلومات نصية على مختلف المستويات.نحن تصف الأساليب التي تقوم ببناء وتحديث هذه الرسوم البيانية هذه ديناميكيا أثناء جمع المعلومات، وكذلك النماذج العصبية لتشفير تمثيلات الرسم البياني في وكلاء RL.تشير تجارب واسعة النطاق على ISquad إلى أن تمثيلات الرسم البياني يمكن أن تؤدي إلى تحسينات كبيرة في الأداء لعوامل RL.
ثبت أن دمج المعرفة المعجمية في نماذج التعلم العميق قد تكون فعالة للغاية لمهام وضع التسلسل.ومع ذلك، فإن الأمر السابق يعمل عادة صعوبة في التعامل مع المعجم الديناميكي النطاق الذي يسبب غالبا ضوضاء مطابقة مفرطة ومشاكل التحديثات المتكررة.في هذه الورقة، نقت
رح Dylex، ونهج تأريك معجم التوصيل لمهام تسلسل التسلسل القائمة على بيرت.بدلا من الاستفادة من تضمين الكلمات في المعجم في الأساليب التقليدية، فإننا نعتمد تضمين العلامات اللاإرادي للكلمة لتجنب إعادة تدريب التمثيل أثناء تحديث المعجم.علاوة على ذلك، فإننا نوظف طريقة تنظيف المعرفة المعلنة المعجمية الفعالة لإعلام الضوضاء المطابقة.وأخيرا، نقدم آلية الانتباه المعرفة القائم على العقيد الحكيمة لضمان استقرار الإطار المقترح.تجارب تجارب عشرة مجموعات من ثلاث مهام تشير إلى أن الإطار المقترح يحقق سوتا جديدة، حتى مع المعجم على نطاق واسع جدا.
البحث الأوجه الديناميكي (DFS)، وهي تقنية تحويل الاستعلام التفاعلي، هي شكل من أشكال نهج استرجاع معلومات الكمبيوتر البشري (HCIR).يتيح للمستخدمين تضييق نتائج البحث لأسفل من خلال جوانب، حيث يتم تحديد تعيين استندات المستندات في وقت التشغيل بناء على سياق ا
ستعلام المستخدم بدلا من الفهرسة المسبقة للوجرات بشكل ثابت.في هذه الورقة، نقترح نهج جديد غير مدفوع من أجل توليد الأوجه الديناميكي، أي جوانب متفائلة، التي تحاول توليد أفضل مجموعة فرعية ممكنة من الجوانب، وبالتالي تعظيم المكاسب التراكمية المتوقعة المتوقعة (DCG)، وهو مقياس جودة الترتيب الذي يستخدم ذات صلة متدرجةمقياس.ونحن نوضح أيضا رمز لتوليد مجموعة بيانات تقييم جديدة.من خلال النتائج التجريبية على مجموعة بيانات، نوضح أن نهج DFS المقترح يحسن بشكل كبير تصنيف الوثيقة في نتائج البحث.
المستندات العلمية مليئة بالقياسات المذكورة في تنسيقات وأنماط مختلفة. على هذا النحو، في وثيقة ذات كميات متعددة والكيانات المقاسة، فإن مهمة ربط كل كمية إلى كيانها المقاس المقابل أمر صعب. وبالتالي، من الضروري الحصول على طريقة لاستخراج جميع القياسات والس
مات ذات الصلة بكفاءة. تحقيقا لهذه الغاية، في هذه الورقة، نقترح نموذجا جديدا لمهمة استخراج العلاقات المتعلقة بالقياس (MRE) هدفه هو التعرف على العلاقة بين الكيانات والكميات والظروف المقاسة المذكورة في وثيقة. توظف نموذجنا هندسا عميقا قائمة على الترجمة من أجل تحقيق الكلمات المهمة ديناميكيا في الوثيقة لتصنيف العلاقة بين زوج من الكيانات. علاوة على ذلك، نقدم تقنية تنظيمية جديدة تعتمد على اختناق المعلومات (IB) لتصفية المعلومات الصاخبة من المجموعة الناجمة عن الكلمات المهمة. تجاربنا على مجموعة بيانات مهمة Semeval 2021 الأخيرة تكشف عن فعالية النموذج المقترح.
عند تعلمها دون استكشاف، تخضع النماذج المحلية لمهام التنبؤ المهيكلة لتحيز التعرض ولا يمكن تدريبها دون توجيه مفصل.التعلم التقليد النشط (AIL)، المعروف أيضا في NLP كتعلم Oracle الديناميكي، هو تقنية عامة للعمل حول هذه المشكلات من خلال السماح باستكشاف مخرج
ات مختلفة في وقت التدريب.تتطلب AIl ردود الفعل Oracle: Oracle هي أي خوارزمية يمكنها، بالنظر إلى حل مرشح جزئي وشروح الذهب، ابحث عن الإخراج التالي (الحد الأدنى) الإخراج التالي لإنتاج.تصف هذه الورقة تقنية حكومية محدودة عامة لاستكشاف الأوراج.تصف هذه التقنية فعالة أيضا وسوف توسيع المهام التي يمكن استخدامها بشكل كبير.
بناء الجملة أساسي في تفكيرنا حول اللغة.الفشل في التقاط هيكل لغة الإدخال قد يؤدي إلى مشاكل تعميم وتعامل معهم.في العمل الحالي، نقترح نموذجا جديدا للغة في مجال بناء الجملة: ذاكرة ترتيب سنوية (SOM).نماذج النموذج صراحة الهيكل مع محلل تدريجي وتحافظ على إعد
اد الاحتمالات الشرطي لطراز اللغة القياسية (من اليسار إلى اليمين).لتدريب المحلل التدريجي وتجنب تحيز التعرض، نقترح أيضا أوراكل ديناميكية جديدة، بحيث يكون SOM أكثر قوة لقرارات تحليل خاطئة.تظهر التجارب أن SOM يمكن أن يحقق نتائج قوية في نمذجة اللغة، والتحليل الإضافي، واختبارات التعميم النحوي أثناء استخدام معلمات أقل من النماذج الأخرى.
غالبا ما تكون نماذج اللغة المدربة مسبقا مسبقا (PLMS) باهظة الثمن بشكل أساسي في الاستدلال، مما يجعلها غير عملية في مختلف تطبيقات العالم الحقيقي المحدودة. لمعالجة هذه المشكلة، نقترح مقاربة تخفيض رمزية ديناميكية لتسريع استنتاج PLMS، والتي تسمى Tr-Bert،
والتي يمكن أن تتكيف مرونة عدد الطبقة من كل رمزي في الاستدلال لتجنب الحساب الزائد. خصيصا، تقوم Tr-Bert بتصوير عملية تخفيض الرمز المميز كأداة اختيار رمز تخطيط متعدد الخطوات وتعلم تلقائيا استراتيجية الاختيار عبر التعلم التعزيز. تظهر النتائج التجريبية على العديد من مهام NLP المصب أن Tr-Bert قادرة على تسريع بيرتف بمقدار 2-5 مرات لإرضاء متطلبات الأداء المختلفة. علاوة على ذلك، يمكن ل TR-Bert تحقيق أداء أفضل مع حساب أقل في مجموعة من المهام النصية الطويلة لأن تكييف رقم الطبقة على مستوى الرمز المميز يسرع بشكل كبير عملية انتباه الذات في plms. يمكن الحصول على شفرة المصدر وتفاصيل التجربة لهذه الورقة من https://github.com/thunlp/tr-bert.
تقدم هذه الورقة مجموعة بيانات جديدة للفيديو واللغة مع إجراءات بشرية للاستدلال المنطقي متعدد الوسائط، والتي تركز على التعبيرات المتعمدة وجوقية تصف الإجراءات البشرية الديناميكية.تتكون DataSet من 200 فيديو، 5554 ملصقات عمل، و 1،942 ثلاثة توائم عمل من ال
نموذج (الموضوع، المسند، كائن) يمكن ترجمته بسهولة إلى تمثيلات دلالية منطقية.من المتوقع أن تكون DataSet مفيدة لتقييم أنظمة الاستدلال متعددة الوسائط بين مقاطع الفيديو والجمل المعقدة الدلوية بما في ذلك النفي والكمية.
العديد من تطبيقات شبكات الحساسات اللاسلكية كتطبيقات حرائق الغابات و مراقبة البيئة تحبذ الاستفادة من حركة الأشخاص أو الأليات أو الحيوانات في الغابة لتحسين أداء الشبكة.
قمنا في هذا البحث بتطوير بروتوكولنا السابق (بروتوكول التوجيه الشجري الديناميكي DTR
) ليدعم الحركية في شبكات الحساسات اللاسلكية، و في هذا الإطار قمنا أولاً بتقريب عملية حساب السرعة الحديه التي تمكن الحساس من الارتباط بنجاح مع المنسقات المجاورة. و قمنا ثانياً باختبار أداء البروتوكول (MDTR) في شبكة حساسات تحتوي على عدد من الحساسات المتحركة التي تقوم بإرسال الحزم باتجاه منسق الشبكة الرئيسي.
بينت نتائج المحاكاة باستخدام محاكي الشبكات الإصدار الثاني NS2، تقريباً جيداً لحساب السرعة الحدية، كذلك أظهرت أداءً جيداً للبروتوكول MDTR من ناحية زمن التأخير و معدل النقل و عدد القفزات مقارنة بالبروتوكول AODV و البروتوكول MZBR
