每日论文 | 机器阅读理解的双向问答网络；自然语言模型的大型边际标准；给神经网络打分，哪种更像人类大脑？

1

Dual Ask-Answer Network for Machine Reading Comprehension

在阅读理解中有三种元素：问题、答案和语境。问题生成或问题回答的目的是基于语境进行推断。我们提出了一种新的双向神经序列，能够连接三个模块，能够让他同时学习两个任务，互相了解。训练时，模型会将问题、语境和答案作为输入，通过分层注意处理捕捉多模块之间的联系。

地址：https://arxiv.org/abs/1809.01997

2

Large Margin Neural Language Model

本文是百度研究院在EMNLP 2018上的论文。其中研究人员提出了一种在训练神经语言模型时的较大的边界尺度。传统意义上，神经语言模型是通过在语法句子上的混淆度（PPL）最小化进行训练的。但是，我们证明PPL在某些任务上也许不是最好的衡量标准，继而提出了更大的边际标准。

地址：https://arxiv.org/abs/1808.08987

3

Brain-Score：Which Artificial Neural Network for Object Recognition is most Brain-Like？

你是否思考过哪种深度网络和人脑更像。神经网络和人类的大脑一样，包含了很多处理机制。我们提出了一种综合的多神经和行为标准，可以对神经网络进行评分，判断它们和大脑认知的差异。

地址：https://www.biorxiv.org/content/early/2018/09/05/407007