记忆网络之Hierarchical Memory Networks

最新推荐文章于 2024-12-01 06:00:00 发布

liuchongee

最新推荐文章于 2024-12-01 06:00:00 发布

阅读量2.1k

点赞数

CC 4.0 BY-SA版权

分类专栏： TensorFlow 深度学习 QA 深度学习与NLP--论文笔记和TensorFlow实现 QA_对话机器人_机器阅读专题文章标签：记忆网络 QA 文本分类深度学习

本文链接：https://blog.youkuaiyun.com/liuchonge/article/details/78235152

本文介绍了Bengio团队2017年的ICLR论文，提出了一种分层记忆网络结构，旨在提高大规模记忆访问的效率。通过Hierarchical Memory Networks结合MIPS搜索方法，论文解决了记忆网络中软注意力计算量大和硬注意力难以训练的问题，同时针对开放域QA应用中的启发式记忆选择方法进行了改进。文章详细阐述了基于聚类的数据结构和MIPS的转换过程，以及该方法在保持端到端训练的同时提高速度但可能影响准确性的局限性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

记忆网络之Hierarchical Memory Networks

这是Bengio团队在2017年发表在ICLR上面的论文“hierarchical Memory Networks”，这篇论文的主要思想是使用分层结构的Memory，目的是在维持准确度的基础上实现训练速度的提升。因为当需要的记忆量很大时，对所有的记忆进行Attention操作，必然会及其浪费时间，而通过本文提出的Hierarchical Memory结构，可以加速选择相关记忆的速度。总结一下本文贡献就是，提出一种新的memory数据结构（基于聚类），和一种新的搜索方法（MIPS）来适应该结构进行评分计算。但是这两个东西都是他们之前的论文“clustering is efficient approximate maximum inner product search”提出的，只不过是用到Memory Networks中来。所以可以理解为是在数据结构层面的改进，而不是模型架构，和前面的论文不太一样。下面我们来看一下：

首先说一下两种用于memory选择的Attention的概念和区别：

soft Attention：一般使用softmax对所有的memory计算得分，好处是可以方便的计算梯度并反向传播，缺点是当memory比较大时，计算量比较大。
hard Attention：仅一个或者几个相关的记忆被计算，优点是计算量小，缺点是非凸，无法使用反向传播进行计算，所以一般结合强化学习进行优化，比较复杂。

上面两种都有各自的优缺点，所以本文在此基础上提出了基于MIPS的Hierarchical Memory Networks，可以理解为介于两者之间的方法，一方面使用分层结构进行存储和寻址，相比soft Attention速度更快，而且仍然可以进行端到端的反向传播进行训练，比hard Attention简单。此外，本文主要是为了解决本专栏第三篇文章“记忆网络之open-domain QA 应用”中介绍的bordes的那篇论文“large-sca