Hybrid computing using a neural network with dynamic external memory

Nature  2016 

　　原文链接：http://www.nature.com/nature/journal/vaop/ncurrent/pdf/nature20101.pdf 

　　摘要：人工智能神经网络 在感知处理，序列学习，强化学习领域得到了非常大的成功，但是限制于其表示变量和数据结构的能力，长时间存储知识的能力，因为其缺少一个额外的记忆单元。此处，我们引入一个机器学习模型，称为：a differentiable neural computer (DNC)，包含一个 神经网络，可以读取和写入一个额外的记忆矩阵；类似于计算机当中的 random-access memory。像传统的计算机一样，可以利用其 memory 表示和执行一个复杂的数据结构，但是，像神经网络一样，也可以从数据中进行学习。当进行监督学习的时候，我们表明 一个 DNC 能够成功的回答模拟的问题，在自然语言中进行推理和论证问题。我们表明，他可以学习到类似 给定特定点的最短距离 和 推理在随机产生的图中丢失的连接，然后推广到特定的 graph，例如：交通运输网络 和 家谱树结构。当进行强化学习的时候，一个 DNC 可以完成移动 block 的难题。总的来说，我们的结果表明，DNCs 能够解决复杂的，结构化的任务，但是这些任务假如没有 external read-write memory，那么根本无法完成的任务。

　　引言： 

论文笔记之：Hybrid computing using a neural network with dynamic external memory