图灵与对话
文章平均质量分 93
图灵与对话
我打赏了很多小红花。
展开
-
Attention-based End-to-End Models for Small-Footprint Keyword Spotting基于注意的小脚印关键字点对点模型
Abstract在本文中,我们提出了一种基于注意力的端到端神经网络方法,用于小足迹关键词发现(KWS),旨在简化构建生产质量的KWS系统的流程。我们的模型包括一个编码器和一个注意机制。编码器使用RNN将输入信号转换为高级表示。然后,注意力机制对编码器特征进行加权,并生成固定长度的向量。最后,通过线性变换和softmax函数,向量成为用于关键字检测的得分。我们还评估了不同编码器架构(包括LSTM...翻译 2020-02-06 17:01:57 · 1785 阅读 · 2 评论 -
A FAR-FIELD TEXT-DEPENDENT SPEAKER VERIFICATION DATABASE AND THE BASELINES
远距离文本相关的说话人验证数据库和基准Abstract本文介绍了一个名为HI-MIA的大型远场相关文本说话者验证数据库。 我们的目标是满足基于远场麦克风阵列的扬声器验证的数据要求,因为大多数公开可用的数据库都是单个通道近距离对话且与文本无关。 我们的数据库包含针对远场方案设计的房间中340人的记录。 通过位于不同方向和距离扬声器的多个麦克风阵列和一个高保真近距离麦克风来捕获录音。 此外,我...翻译 2020-02-05 10:52:06 · 876 阅读 · 0 评论 -
Sequential Dialogue Context Modeling for Spoken Language Understanding《口语理解的上下文构建》
摘要口语理解(SLU)是面向目标的对话系统的重要组成部分,该系统将用户的发言解析为语义框架表示。传统上,SLU不会利用对话系统之前的对话历史,而上下文的歧义由下游组件来解决。在本文中,我们探索了在基于递归神经网络(RNN)的语言理解系统中建模对话上下文的新颖方法。我们提出了顺序对话编码器网络,该网络允许按时间顺序从对话历史中编码上下文。我们将我们提出的体系结构的性能与两个上下文模型进行比较,一...翻译 2020-01-25 17:52:49 · 822 阅读 · 0 评论 -
Deep Learning for Video Game Playing《DQN 在电子游戏中的应用》
在本文中,我们回顾了深度学习的最新进展,介绍了它们如何应用于玩不同类型的视频游戏,例如第一人称射击游戏,街机游戏和实时策略游戏。 我们分析了不同游戏类型对深度学习系统的独特要求,并强调了将这些机器学习方法应用于视频游戏(例如一般游戏,处理巨大决策空间和稀疏奖励)的情况下的重要开放挑战。I. INTRODUCTION现在,将AI技术应用于游戏已成为一个成熟的研究领域,有多个会议和专...翻译 2020-01-29 12:44:54 · 2881 阅读 · 0 评论 -
Neural Approaches to Conversational AI Question Answering(问答,任务型对话,闲聊)
摘要本文概述了最近几年开发的对话式AI神经方法。 我们将对话系统分为三类:(1)问答代理,(2)面向任务的对话代理和(3)聊天机器人。 对于每个类别,我们将使用特定的系统和模型作为案例研究,对当前最先进的神经方法进行回顾,画出它们与传统方法之间的联系,并讨论已取得的进展和仍面临的挑战。Chapter 1 Introduction开发一种智能对话系统1,不仅可以模拟人类对话...翻译 2020-01-28 15:55:39 · 5565 阅读 · 0 评论