StackRNN的设计及可解释性研究

• 作者: 郭立鹏
• 来源期刊: 科技与创新
• 关键词: 循环神经网络 可解释性 记忆网络 自动机理论
• 年，卷（期）: 2019,（14）
• 所属期刊栏目: 创新思维
• 页码范围: 70-72,75
• 页数: 4页
• 分类号: TP391.1
• 语种: 中文
• DOI: 10.15913/j.cnki.kjycx.2019.14.030

摘要

针对循环神经网络的可解释性问题设计StackRNN,StackRNN在确定型上下文无关语言文法推测实验中可以预测最长8倍于训练样本的测试集样本,可视化实验表明StackRNN具有模拟确定型下推自动机的能力.该研究对将深度学习应用于自然语言处理尤其是与程序语言相关的任务具有重要的意义.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭立鹏	清华大学计算机系	2	0	0.0	0.0