CMU与谷歌大脑联合出品：62页PPT带你理解SQuAD大赛冠军--QANet

【导读】四月份来自卡内基梅隆大学和谷歌大脑的研究者发布了QANet论文，并发表在ICLR2018上，旨在提出一种新型问答模型。该模型中去除了其他问答模型中的RNN部分，仅使用卷积和自注意力机制，便达到了超越目前最优模型的效果，并使用此模型获得了阅读理解SQuAD大赛的冠军。本文来自谷歌大脑发布的最新介绍，详细介绍了该模型中的技术细节，现由专知团队整理出来，以飨读者。

作者 | Thang Luong

编译 | Yongxi

问答系统与人工智能历史上息息相关，实际上，目前人工智能领域影响甚大的图灵测试便是一个自动问答系统。为了人工智能领域的发展，业界和学术界一直致力于提出质量更好的数据集，以及举办更加有影响力的比赛来促进该领域的繁荣。

而阅读理解是问答系统的核心问题。其中，斯坦福大学在2016年推出的数据集SQuAD成为了近年来最受瞩目的阅读理解任务。可以说SQuAD对问答系统的重要性，与ImageNet在计算机视觉领域的意义相差无几。

之所以如此，主要得益于SQuAD的巨大规模，它包含了536篇文章，以及107785个问题，并且采取了F1与EM两种分类标准来评价，保证了模型评价的客观性。

上图中是SQuAD当前的排行榜，直到近期，谷歌大脑团队和CMU联合推出QANet拔得头筹，将EM值提高到了84.454，F1值也提高到了90.490。并且，难得的是，与其他团队动辄10几个小时的训练时间相比，QANet仅仅需要45分钟的训练时间。

https://arxiv.org/abs/1804.09541

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“QANET” 就可以获取Bengio 65页  Question answering & QANet PPT下载链接~ 

附原文PPT

-END-

专 · 知

人工智能领域主题知识资料查看与加入专知人工智能服务群：

【专知AI服务计划】专知AI知识技术服务会员群加入与人工智能领域26个主题知识资料全集获取。欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知