@正在进行{ravi-kozareva-2019设备,title=“设备上结构化和上下文分区投影网络”,author=“拉维、苏吉思和佐尔尼察科扎列娃”,editor=“Korhonen、Anna和Traum、David和M{\`a}rquez,Llu{\'i}s“,booktitle=“计算语言学协会第57届年会会议记录”,月=七月,year=“2019”,address=“意大利佛罗伦萨”,publisher=“计算语言学协会”,url=“https://aclantology.org/P19-1368”,doi=“10.18653/v1/P19-1368”,pages=“3784--3793”,摘要=“设备上文本分类的一个挑战性问题是建立能够适应较小内存占用且具有低延迟的高精度神经模型。为了解决这一挑战,我们提出了一种设备上神经网络SGNN++,该网络使用结构化和上下文相关的分块pr从原始文本中动态学习紧凑的投影向量射出物。我们表明,这将加速推理并提高性能。我们对英语、日语、西班牙语和法语等多种会话任务和语言进行广泛评估。我们的SGNN++模型显著优于所有基线,改进了现有的设备神经模型,甚至在对话行为和意图预测方面超过了RNN、CNN和BiLSTM模型。通过一系列的消融研究,我们显示了分区投影和结构化信息对10{\%}改善的影响。我们研究了模型大小对准确性的影响,并为SGNN++引入了量化软件训练,以进一步减小模型大小,同时保持相同的质量。最后,我们在手机上展示了快速推理。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“ravi-kozareva-2019-device”><标题信息>设备上结构化和上下文分区投影网络</titleInfo><name type=“personal”>苏吉思拉维<角色>作者</角色></name><name type=“personal”>佐尔尼察科扎列娃<角色>作者</角色></name><originInfo><日期发布>2019-07<日期发布></originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会第57届年会会议记录</titleInfo><name type=“personal”>安娜Korhonen公司<角色>编辑器</角色></name><name type=“personal”>大卫Traum(Traum)<角色>编辑器</角色></name><name type=“personal”>路易斯Márquez(Már quez)<角色>编辑器</角色></name><originInfo>计算语言学协会<地点>意大利佛罗伦萨</place></originInfo>会议出版物</relatedItem><abstract>在设备文本分类中,一个具有挑战性的问题是构建能够适应较小内存占用且具有较低延迟的高精度神经模型。为了应对这一挑战,我们提出了一种基于设备的神经网络SGNN++,它使用结构化和上下文相关的分区投影从原始文本中动态学习紧凑的投影向量。我们表明,这将加速推理并提高性能。我们对英语、日语、西班牙语和法语等多种会话任务和语言进行广泛评估。我们的SGNN++模型显著优于所有基线,改进了现有的设备神经模型,甚至在对话行为和意图预测方面超过了RNN、CNN和BiLSTM模型。通过一系列消融研究,我们显示了分区投影和结构化信息的影响,导致10%的改善。我们研究了模型大小对准确性的影响,并为SGNN++引入了量化软件训练,以进一步减小模型大小,同时保持相同的质量。最后,我们在手机上展示了快速推理</摘要><identifier type=“citekey”>ravi-kozareva-2019设备10.18653/v1/P19-1368<位置><网址>https://aclantology.org/P19-1368</url></位置><部分>2019-07年7月<扩展单元=“page”><开始>3784</开始><end>3793</范围></部分></mods></modsCollection>
%0会议记录%T设备上结构化和上下文分割投影网络%苏吉思·拉维%佐尔尼察科扎列娃%Y Korhonen,安娜%大卫·Y·特拉姆%Y Márquez,Lluís%计算语言学协会第57届年会论文集%D 2019年%7月8日%I计算语言学协会%C意大利佛罗伦萨%F ravi-kozareva-2019设备%X设备上文本分类中的一个挑战性问题是构建高精度的神经模型,该模型能够适应较小的内存占用并具有较低的延迟。为了应对这一挑战,我们提出了一种设备上神经网络SGNN++,该网络使用结构化和上下文相关的分区投影从原始文本中动态学习紧凑投影向量。我们表明,这将加速推理并提高性能。我们对英语、日语、西班牙语和法语等多种会话任务和语言进行广泛评估。我们的SGNN++模型显著优于所有基线,改进了现有的设备神经模型,甚至在对话行为和意图预测方面超过了RNN、CNN和BiLSTM模型。通过一系列消融研究,我们显示了分区投影和结构化信息的影响,导致10%的改善。我们研究了模型大小对精度的影响,并为SGNN++引入了量化感知训练,以在保持相同质量的同时进一步减小模型大小。最后,我们展示了对手机的快速推断。%10.18653/v1/P19-1368兰特%U型https://aclantology.org/P19-1368%U型https://doi.org/10.18653/v1/P19-1368%电话:3784-3793
降价(非正式)
[设备上结构化和上下文分区投影网络](https://aclantology.org/P19-1368)(拉维和科扎列娃,ACL 2019)
国际计算语言学协会
- 苏吉斯·拉维(Sujith Ravi)和佐尔尼萨·科扎列娃(Zornitsa Kozareva)。2019.设备上结构化和上下文分割投影网络.英寸计算语言学协会第57届年会会议记录,第3784–3793页,意大利佛罗伦萨。计算语言学协会。