人工神经网络非常擅长感官处理，序列学习和增强学习，但由于缺乏外部记忆，它们代表变量和数据结构并在长时间尺度上存储数据的能力有限。在这里，我们介绍了一种称为可区分的神经计算机（DNC）的机器学习模型，该模型由一个可以从传统计算机中的随机访问存储器读取并写入外部内存矩阵，该神经网络可以读取并写入外部内存矩阵。像常规计算机一样，它可以使用其内存来表示和操纵复杂的数据结构，但是，就像神经网络一样，它可以从数据中学习。当接受有监督的学习培训时，我们证明了DNC可以成功回答旨在模仿自然语言推理和推理问题的综合问题。我们表明，它可以学习任务，例如在指定点之间找到最短路径，并在随机生成的图中推断丢失的链接，然后将这些任务推广到特定图表，例如传输网络和家谱。当通过增强学习训练时，DNC可以完成一个移动块的拼图，在该难题中，通过符号序列指定了不断变化的目标。综上所述，我们的结果表明，DNC具有解决复杂的结构化任务的能力，这些任务是无法访问的，而没有外部读取 - 写入记忆。
左文资讯声明：未经许可，不得转载。
为您推荐：
- PLSCR1是针对SARS-COV-2感染的细胞自主防御因素 2025-06-23
- 扩展的WR140防尘壳中以辐射驱动的加速度 2025-06-23
- Nagaoka铁磁磁性在量子点plaquette中观察到 2025-06-23
- 选择偏见混淆了快速无线电爆发来源的发现 2025-06-23
- 头部和颈部鳞状细胞癌的全面基因组表征 2025-06-23
- 从人脑解析天然GABAA受体结构 2025-06-23
资讯
