ترجمه فارسی مقاله تفسیر مسئله تشخیص قصد به عنوان دینامیک در یک فضای کم بُعد

چکیده

Intent detection is a text classification task whose aim is to recognize and label the semantics behind a users query. It plays a critical role in various business applications. The output of the intent detection module strongly conditions the behavior of the whole system. This sequence analysis task is mainly tackled using deep learning techniques. Despite the widespread use of these techniques, the internal mechanisms used by networks to solve the problem are poorly understood. Recent lines of work have analyzed the computational mechanisms learned by RNNs from a dynamical systems perspective. In this work, we investigate how different RNN architectures solve the SNIPS intent detection problem. Sentences injected into trained networks can be interpreted as trajectories traversing a hidden state space. This space is constrained to a low-dimensional manifold whose dimensionality is related to the embedding and hidden layer sizes. To generate predictions, RNN steers the trajectories towards concrete regions, spatially aligned with the output layer matrix rows directions. Underlying the system dynamics, an unexpected fixed point topology has been identified with a limited number of attractors. Our results provide new insights into the inner workings of networks that solve the intent detection task.

چکیده به فارسی (ترجمه ماشینی)

Detent Detection یک کار طبقه بندی متن است که هدف آن تشخیص و برچسب زدن معناشناسی در پشت پرس و جو کاربران است.این نقش اساسی در برنامه های مختلف تجاری دارد.خروجی ماژول تشخیص هدف به شدت رفتار کل سیستم را شرط می بندد.این کار تجزیه و تحلیل توالی عمدتاً با استفاده از تکنیک های یادگیری عمیق انجام می شود.علیرغم استفاده گسترده از این تکنیک ها ، مکانیسم های داخلی که توسط شبکه ها برای حل مشکل استفاده می شود ، درک نشده است.خطوط کار اخیر مکانیسم های محاسباتی آموخته شده توسط RNN ها را از دیدگاه سیستم های دینامیکی مورد تجزیه و تحلیل قرار داده اند.در این کار ، ما بررسی می کنیم که چگونه معماری های مختلف RNN مشکل تشخیص قصد Snips را حل می کنند.احکام تزریق شده به شبکه های آموزش دیده را می توان به عنوان مسیرهایی که در یک فضای حالت پنهان طی می شود ، تفسیر کرد.این فضا به یک منیفولد کم بعدی محدود می شود که ابعاد آن مربوط به اندازه های تعبیه و لایه پنهان است.برای تولید پیش بینی ها ، RNN مسیرها را به سمت مناطق بتونی هدایت می کند ، که به طور مکانی با جهت ردیف های ماتریس لایه خروجی تراز شده است.با توجه به پویایی سیستم ، یک توپولوژی نقطه ثابت غیر منتظره با تعداد محدودی از جاذبه ها مشخص شده است.نتایج ما بینش جدیدی در مورد عملکرد درونی شبکه هایی که وظیفه تشخیص هدف را حل می کنند ، ارائه می دهد.