Quaternion Recurrent Neural Networks
Notice bibliographique
Résumé
Recurrent neural networks (RNNs) are powerful architectures to model\nsequential data, due to their capability to learn short and long-term\ndependencies between the basic elements of a sequence. Nonetheless, popular\ntasks such as speech or images recognition, involve multi-dimensional input\nfeatures that are characterized by strong internal dependencies between the\ndimensions of the input vector. We propose a novel quaternion recurrent neural\nnetwork (QRNN), alongside with a quaternion long-short term memory neural\nnetwork (QLSTM), that take into account both the external relations and these\ninternal structural dependencies with the quaternion algebra. Similarly to\ncapsules, quaternions allow the QRNN to code internal dependencies by composing\nand processing multidimensional features as single entities, while the\nrecurrent operation reveals correlations between the elements composing the\nsequence. We show that both QRNN and QLSTM achieve better performances than RNN\nand LSTM in a realistic application of automatic speech recognition. Finally,\nwe show that QRNN and QLSTM reduce by a maximum factor of 3.3x the number of\nfree parameters needed, compared to real-valued RNNs and LSTMs to reach better\nresults, leading to a more compact representation of the relevant information.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».