تتميز الشبكة الوحدات العصبية (NMN) بالفهم القوي والتركيبية بفضل وحدات العصبية المصنوعة بشكل يدوي مع القدرة على التفكير بالمسافات المتعددة. ومع ذلك، يعاني معظم NMNs من عيوبان حاسمتان: 1) التكبير: تجعل الوحدة المخصصة للوظيفة مشوشا عند التكبير إلى مجموعة أكبر من الوظائف في المهام المعقدة؛ 2) التطبيقية: تجعل سجل الوحدات المحدد مسبقا بشكل صلب من الصعب التطبيق على الوظائف الغير مرئية في مهام / دول مختلفة. لتصميم بنية شبكة NMN أقوى للاستخدام العملي، نقترح Meta Module Network (MMN) محورة على وحدة التحليل المتطورة، والتي يمكنها استيعاب وصفات الوظيفة وتحول إلى وحدات مختلفة بشكل ديناميكي. ثم تتم دمج الوحدات الفردية في برنامج تنفيذي للتفكير البصري المعقد، والذي يورث الفهم القوي والتركيبية ل NMN. مع هذا الآلية التطبيقية المرنة، يتم ارث المعلمات من الوحدة المتطورة المركزية للوحدات الفردية، والحفاظ على نفس معدل الصعوبة للنموذج عندما ينمو مجموعة الوظائف، مما يعد بأمانة أفضل للتكبير. في الوقت نفسه، حيث تم ترميز الوظائف في مساحة التضمين، يمكن تمثيل الوظائف الغير مرئية بسهولة على أساس تشابهها الهيكلي مع الوظائف المرئية مسبقا، مما يضمن أفضل تطبيقية. تأكد التجارب على بيانات GQA و CLEVR من التفوق الذي تمتلكه MMN على تصميمات NMN الحديثة. كما تثبت التجارب الصناعية على الوظائف الغير مرئية المحجوزة من بيانات GQA قوة التطبيقية القوية ل MMN. تم إصدار الرمز والنموذج في Github https://github.com/wenhuchen/Meta-Module-Network.
تحميل البحث