18、从板球动作相似度到多跳问答：模型架构的探索与应用

从板球动作相似度到多跳问答：模型架构的探索与应用

板球动作相似度评估

在板球运动中，对不同击球手击球动作的相似度评估是一个具有挑战性的任务。研究人员使用Siamese Xception模型，通过比较两个视频序列，来确定不同板球击球手执行击球动作时的相似度。

研究发现，迁移学习具有显著优势，Xception架构在相似度任务中表现最佳。该研究还创建了一个新的数据集，提出的解决方案构建了具有不同卷积神经网络（CNN）骨干的Siamese网络。通过分析不同击球手之间的个体相似度得分，可以推断出球棒的位置是影响相似度的关键因素。

未来的研究可以考虑以下几个方面来进一步改进：
1. 考虑投球类型 ：在评估动作相似度时，纳入投球类型的因素，以提高评估的准确性。
2. 增加时间维度信息 ：考虑更多的时间方面，如更精细的手势，以捕捉动作的动态变化。
3. 评估模型泛化能力 ：评估类似模型在比赛环境中的泛化能力，并分析不同年龄、性别、技能水平和比赛形式的球员。

多跳问答任务中的图神经网络与稀疏Transformer

多跳问答（MHQA）是一项具有挑战性的语言理解任务，需要对多个文档中的多个事实进行推理。传统的序列模型，如基于LSTM的模型，在处理长距离依赖和多步推理时面临困难。

近年来，图神经网络（GNNs）被用于将MHQA输入表示为实体图，并进行推理以回答问题。然而，标准的Transformer在处理长序列时计算复杂度高，因此出现了稀疏Transformer，如Longformer和Big B