Рекурсивные нейронные сети

Рекурсивная нейронная сеть — тип глубокой нейронной сети, сформированный при применении одних и тех же наборов весов рекурсивно через структуру в виде дерева, чтобы сделать скалярное или структурированное предсказание над входными данными переменного размера через обход дерева в топологическом порядке.

Применение

Модели рекурсивных сетей используют иерархические структуры образцов при обучении, поэтому они преуспели в следующих областях:

• Обработка естественного языка. В Socher et al.(2013c) они используются для предсказания тональности предложения:

• Обработка изображений с природными ландшафтами (Socher et al.(2011)).

Описание

Архитектура простой рекурсивной сети

При обучении последовательных структур и деревьев в задачах обработки естественного языка, фразы и предложения моделируются через векторное представление слов. 

Базовая структура сети является бинарным деревом, состоящим из родительского компонента (корня), и дочерних компонентов (листьев) Каждая группа - набор нейронов, размер которого зависит от сложности входных данных. Входная последовательность данных подаются на листья, а корень использует классификатор для определения класса и меры (score)

Рекурсивная нейронная сеть использует следующую формулу для вычисления родительского вектора:

[math]p_{1} = f\left(W[b ; c]\right)[/math]

• [math]b, c[/math] - дочерние векторы

• [math]W[/math] — обученная матрица весов, [math]W \in R^{d \times 2d}[/math]

• [math]f[/math] - нелинейную функция активации типа гиперболического тангенса

Последующие шаги получают на вход score предыдущего корня и следующее слово последовательности, таким образом пока в сети не будет сформировано дерево со всеми словами в последовательности.

Деревья могут иметь разную структуру, выбор лучшей подструктуры дерева для сети основывается на их мере. Мера дерева - сумма мер на каждом узле:

[math]s(x,y) = \sum\limits_{n \in nodes(y)}s_n[/math]

После выбора структуры, сеть классифицирует части последовательности. Вероятность принадлежности к классу вектора p вычисляется классификатором с помощью функции Softmax.

Рекурсивные и рекуррентные нейронные сети

RNN и ее развернутое представление

Рекуррентная нейронная сеть представляет собой рекурсивную сеть со специфической структурой - в виде линейной цепочки. Рекурсивные сети работают на структурах общего типа, включающих иерархию, рекуррентные сети работают исключительно на линейной прогрессии во времени, связывая предыдущий момент времени со следующим через скрытый нейронный слой.

Примеры кода

Примеры кода на TensorFlow:

• https://github.com/bogatyy/cs224d/tree/master/assignment3
• https://gist.github.com/anj1/504768e05fda49a6e3338e798ae1cddd

Cм. также

• Рекуррентные нейронные сети

Источники

• https://nlp.stanford.edu/~socherr/EMNLP2013_RNTN.pdf
• http://cs224d.stanford.edu/lectures/CS224d-Lecture10.pdf

[1]

[2]