每日论文 | 无注意力翻译模型；可微分的模型预测控制；解决复杂图形中的最短距离问题

1

You May Not Need Attention

在神经机器翻译中，如果没有注意力并且将编码解码分离，我们能得到怎样的结果？为了回答这一问题，我们提出了一种循环神经翻译模型，不用注意力，也没有分离的编码器和解码器。这种模型延迟率低，在读取第一个源token时，就会立刻写出目标token，并且在解码时可以使用即时记忆。翻译性能与Bahdanau等人的注意力模型相当。

地址：https://arxiv.org/abs/1810.13409

2

Differentiable MPC for End-to-end Planning and Control

在这篇论文中，我们提出用模型预测控制（MPC）作为一种连续状态和动作空间中强化学习的可微分策略类别。这就提供了一种方法，可以使用和结合有模型和无模型两种方法。由此，我们可以通过端到端学习了解控制器的成本和动态。

地址：https://arxiv.org/abs/1810.13400

3

Effect of shortest path multiplicity on congestion of multiplex networks

最短距离是图形中具有代表性的距离测量问题，在很多网络中都有出现。在复杂网络中，这种距离计算对图层的计算是很重要的，在堵车情况发生时，解决了最短距离可以有效提高交通效率。在这篇文章中，我们提出了一种数学方法，用来计算距离的共同分布，以及复杂网络中最短距离的多样性，研究它们在堵车过程中的关系。

地址：https://arxiv.org/abs/1810.12961

星标论智，每天获取最新资讯