relationships-from-entity-stream:在NIPs 2017 ViGiL研讨会上发表的研究

实体流关系 在： -以及 这项研究扩展了DeepMind“关系网络”论文中的工作：。 抽象的 关系推理是智能行为的重要组成部分，但事实证明神经网络很难学习。 DeepMind最近提出了关系网络（RN）模块来解决此类问题，并在许多数据集中展示了最新的结果。 但是，由于RN模块会计算视野中每个贴片之间的关系因子，包括与实体不对应的那些，因此，输入模块的大小将按平方缩放。 在本文中，我们描述了一种体系结构，该体系结构使得可以根据输入字段上的注意力机制所获得的实体流来确定关系。 该模型经过端到端训练，并在仅需原始RN模块的模型参数的一小部分的情况下，以更高的可解释性展示了等效的性能。 此回购的目的是使NIPS ViGIL Workshop论文的结果可以以交钥匙方式完全重现。 提交日期回购中的代码清晰地产生了RN，RFS和RFSH结果-尽管我仍在尝试查找产生CNN得分（不是特别相关）的运行。 CL