解读A Critical Review of Recurrent Neural Networks for Sequence Learning
整体内容一览
现有的关于RNN这一类网络的综述很少,并且论文之间的符号不匹配,这篇文献是为了RNN而做的综述。作者从最简单的前馈神经网络讲起,依次介绍了RNN的历史及发展,LSTM的结构以及现代RNN的应用。
前馈神经网络
传统的前馈神经网络,信息只能从输入层流向隐藏层,再流向输出层,虽然能够进行分类和回归,但是这些都是假设数据之间是iid(独立同分布的),因为无法胜任那些数据之间是依赖的序列问题,所以无法解决带有时序性的问题。
RNN的早期历史及发展
RNN并不是第一个捕捉时间依赖的模型,隐马尔可夫模型(HMM)的出现,使得解决的问题应满足两个条件:(1)问题是基于序列的,比如时间序列或状态序列;(2)问题包含两类数据,一类序列数据是可以观测到的,即观测序列;而另一类数据是不能观察到的,即隐藏状态序列,简称状态序列。
下图为RNN的发展历程,Jordan网络和Elman网络为LSTM的出现做了铺垫,因为它们开始将隐藏层作为输入。Jordan网络和Elman网络的区别