這種有序神經(jīng)元，像你熟知的循環(huán)神經(jīng)網(wǎng)絡嗎？

雖然自然語言通常以序列形式呈現(xiàn)，但語言的基本結(jié)構并不是嚴格序列化的。語言學家們一致認為，該結(jié)構由一套規(guī)則或語法控制（Sandra&Taft，2014），且規(guī)定了單詞組成語句的邏輯。不管其表現(xiàn)形式如何，這種結(jié)構通常是樹狀的。雖然語言學家們已發(fā)現(xiàn)這一規(guī)律，但其潛在結(jié)構的真正起源卻仍不得而知。某些理論認為，這可能與人類認知的內(nèi)在機制相關（Chomsky&Lightfoot，2002）。由于人工神經(jīng)網(wǎng)絡的靈感來源于生物神經(jīng)系統(tǒng)的信息處理及通訊模式，上述可能性讓更多人對使用人工神經(jīng)網(wǎng)絡研究語言的潛在結(jié)構產(chǎn)生了興趣。

從實用角度看，將樹結(jié)構集成到語言模型中也很重要，原因如下：

能獲得抽象化級別不斷提升的分層表征，抽象化也是深度神經(jīng)網(wǎng)絡的關鍵特征（Bengio等，2009；LeCun等，2015；Schmidhuber，2015）；

能捕獲復雜語言現(xiàn)象，如長期依賴問題（Tai等，2015）與組分效應（compositionaleffects）（Socher等，2013）；

能為梯度反向傳播提供捷徑（Chung等，2016）。

近些年，很多人開始關注開發(fā)能夠利用語法知識或至少一些樹結(jié)構（Williams等，2018；Shi等，2018）來形成更好語義表征的深度神經(jīng)網(wǎng)絡（Shen等，2017；Jacob等，2018；Bowman等，2016；Choi等，2018；Yogatama等，2016）。

獲得樹結(jié)構的一種簡單方法是通過監(jiān)督語法分析器。這些分析器生成的樹結(jié)構被用來指導單詞語義到句子語義的組合（Socher等，2013；Bowman等，2015），甚至在給定先前單詞的情況下幫助預測下一個單詞（Wu等，2017）。然而，監(jiān)督分析器也有一些局限性：1）很少有語言具有用于監(jiān)督分析器訓練的全面注釋數(shù)據(jù)；2）在可用的語言數(shù)據(jù)中，語法規(guī)則往往被打破「如推特上的表達」；3）在實際運用過程中，語言始終在變化，因此語法規(guī)則可能會演變。

另一方面，以無監(jiān)督方式從可用數(shù)據(jù)中學習樹結(jié)構仍是一個未解決的問題。訓練過程中的繁瑣結(jié)構（如左分支樹結(jié)構、右分支樹結(jié)構（Williams等，2018））或強化學習訓練困境（Yogatama等，2016），使許多研究無功而返。而且，一些方法的實現(xiàn)和訓練相對復雜，如Shen等人提出的PRPN（2017）。

循環(huán)神經(jīng)網(wǎng)絡（RNN）已被證明在語言建模任務中非常高效（Merity等，2017；Melis等，2017）。RNN隱式地在數(shù)據(jù)上強加了鏈式結(jié)構。該鏈式結(jié)構似乎與語言的潛在非序列化結(jié)構不一致，并且給運用深度學習方法處理自然語言數(shù)據(jù)帶來了一些困難，如捕獲長期依賴（Bengio等，2009）、獲得良好泛化能力（Bowman等，2015）及處理否定(Socher等，2013）等。同時，有證據(jù)表明，擁有充足能力的循環(huán)神經(jīng)網(wǎng)絡有潛力隱式地編碼這種樹結(jié)構（Kuncoro等，2018）。但問題是，在模型架構上強加樹結(jié)構歸納先驗會導致更好的語言模型嗎？

本文介紹了一種面向循環(huán)神經(jīng)網(wǎng)絡的新型歸納偏置：有序神經(jīng)元。這種歸納偏置增強了神經(jīng)元之間的依賴性，這種依賴性反映了每個神經(jīng)元內(nèi)所存儲信息的生命周期。換言之，一些高級神經(jīng)元儲存長期信息，而低級神經(jīng)元儲存短期信息。為了避免高級和低級神經(jīng)元之間的固定劃分，本文進一步提出了一種新的激活函數(shù)cumax（）來主動分配神經(jīng)元去存儲長/短期信息?；赾umax（）和長短期記憶網(wǎng)絡（LSTM）架構，本文設計了一種新模型──ON-LSTM，它使RNN模型能夠能夠在不破壞其序列形式的情況下執(zhí)行樹狀合成。該模型在語言建模、無監(jiān)督成分句法分析（unsupervisedconsTItuencyparsing）、有針對性的語法評估（Marvin&Linzen,2018）及邏輯推理（Bowman等，2015）四個任務上表現(xiàn)優(yōu)異。其在無監(jiān)督成分句法分析任務上的結(jié)果表明，本文提出的歸納偏置與人類專家提出語法原則是一致的。我們的實驗還表明，就長期依賴和較長序列泛化而言，ON-LSTM比標準LSTM模型性能更佳，

論文：ORDEREDNEURONS:INTEGRATINGTREESTRUCTURESINTORECURRENTNEURALNETWORKS

論文鏈接：https://openreview.net/forum?id=B1l6qiR5F7

摘要：循環(huán)神經(jīng)網(wǎng)絡模型已被廣泛用于處理由潛在樹結(jié)構控制的序列數(shù)據(jù)。以前的研究表明，RNN模型（尤其是基于LSTM的模型）能夠?qū)W習利用潛在樹結(jié)構。然而，它的性能卻始終落后于基于樹的模型。我們提出了一種新的歸納偏置──有序神經(jīng)元（OrderedNeuron），它強制執(zhí)行了隱藏狀態(tài)神經(jīng)元之間更新頻率的順序。本文表明，有序神經(jīng)元能夠?qū)撛跇浣Y(jié)構明確整合到循環(huán)模型中。為此，我們提出了一種新的RNN單元：ON-LSTM，其在語言建模、無監(jiān)督成分句法分析、有針對性的語法評估及邏輯推理四個任務上表現(xiàn)優(yōu)異。

圖1：成分句法分析樹與ON-LSTM的關系。給定token序列(x1,x2,x3)，其成分句法分析樹如圖（a）所示。圖（b）展示了樹結(jié)構的塊狀圖，其中S與VP節(jié)點都跨越了不止一個時間步。高級節(jié)點的表征在跨越多個時間步時應保持相對一致。圖（c）展示了每組神經(jīng)元在每個時間步的更新神經(jīng)元比例。在每個時間步，給定輸入詞，較深的灰色塊代表完全更新，較淺的灰色塊代表部分更新。三組神經(jīng)元的更新頻率不盡相同。較高級別的組更新頻率較低，而較低級別的組更新頻率較高。

ON-LSTM

本文提出了一種新的RNN單元──ON-LSTM，作為有序神經(jīng)元的實現(xiàn)。該新模型與標準LSTM模型的架構相似。

ON-LSTM與標準LSTM模型的唯一區(qū)別在于，我們排除了單元狀態(tài)ct的更新功能，并以新的更新規(guī)則替代，后續(xù)章節(jié)將會詳細解釋。與之前一樣，運用遺忘門ft與輸入門it控制單元狀態(tài)ct上的清除和寫入操作。一般來說，由于標準LSTM的門不會在其各個單元中強加拓撲結(jié)構，所以各個單元的行為不會反映出排序。

實驗
?

表1：賓州樹庫語言建模任務中驗證集和測試集上的單個模型困惑。標注「TIed」的模型在嵌入和softmax權重上使用權重綁定。標注「*」的模型重點關注改進RNN語言模型的softmax部分。

表2：在完整的WSJ10和WSJ測試集上評估無標記「parsingF1」的結(jié)果。本文的語言模型分三層，每層都提供了dt序列。本文給出了所有層的分析性能。RL-SPINN和ST-Gumbel的結(jié)果在完整的WSJ（Williams等，2017）上評估。PRPN模型在WSJ測試集（Htut等，2018）上評估。

表3：ON-LSTM和LSTM在每個測試案例上的整體準確率。「Long-termdependency」表示目標詞對之間存在一個不相關的短語或從句，而「short-termdependency」意味著沒有這猴子那個分散注意力的情況。

本文來源：機器之心