Key points are not available for this paper at this time.
تستند نماذج قراءة الآلة الحالية والإجابة على الأسئلة (Q&A) في الغالب على الشبكات العصبية التكرارية (RNNs) مع الانتباه. على الرغم من نجاحها، إلا أن هذه النماذج غالبًا ما تكون بطيئة في كل من التدريب والاستدلال بسبب طبيعتها التتابعية. نقترح بنية جديدة لـ Q&A تُسمى QANet، والتي لا تتطلب الشبكات التكرارية: يتكون المشفر الخاص بها حصريًا من الالتفاف والانتباه الذاتي، حيث نمذجة الالتفاف التفاعلات المحلية ونمذجة الانتباه الذاتي التفاعلات العالمية. على مجموعة بيانات SQuAD، نموذجنا أسرع من 3x إلى 13x في التدريب وأسرع من 4x إلى 9x في الاستدلال، مع تحقيق دقة مكافئة للنماذج التكرارية. يسمح لنا مكسب السرعة بتدريب النموذج مع الكثير من البيانات. لذلك، نحن ندمج نموذجنا مع البيانات المولدة عن طريق الترجمة العكسية من نموذج الترجمة الآلية العصبية. على مجموعة بيانات SQuAD، نموذجنا الفردي، المدرب مع بيانات معززة، يحقق درجة F1 تبلغ 84.6 على مجموعة الاختبار، وهو أفضل بكثير من أفضل درجة F1 منشورة وهي 81.8.
درس يو وآخرون (Mon,) هذا السؤال.