在智能辅导系统中生成提示的现有工作（ITS）主要集中在手动和非个人反馈上。在这项工作中，我们探索了ITS中的个性化反馈作为个性化反馈。我们的个性化反馈可以在学生答案中查明正确，错误或缺失的短语，并通过提出自然语言问题来指导他们正确答案。我们的方法结合了因果分析，以使用基于文本相似性的NLP变压器模型来分解学生答案，以识别正确和不正确或缺失的零件。我们培训了一些弹药的神经问题生成和问题重新排序模型，以显示解决学生答案中缺少的组件的问题，这些组件使学生朝着正确的答案迈进。在基于真实对话的ITS测试时，我们的模型在学生学习的增长方面大大优于简单和强大的基线。最后，我们表明我们个性化的纠正反馈系统有可能改善生成的问答系统。
translated by 谷歌翻译
在本文中，我们解决了在高分辨率上运行的神经网络质量中降解的问题。覆盖网络通常无法在高于其培训集的分辨率下产生全球连贯的结构。尽管图像分辨率增加，但这部分归因于持续静态场。尽管在介入之前降低图像会产生连贯的结构，但它固有地缺乏更高分辨率的细节。为了获得两全其美，我们通过最大程度地减少推断时多尺度的一致性损失来优化网络的中间功能。此运行时优化改善了覆盖效果，并为高分辨率介绍建立了新的最先进。代码可在以下网址获得：https：//github.com/geomagical/lama-with-refiner/tree/refinement。
translated by 谷歌翻译
专家（MOE）的稀疏门控混合物可以用少量计算复杂性来放大网络容量。在这项工作中，我们调查多语言自动语音识别（ASR）网络如何用简单的路由算法进行缩放，以便实现更好的准确性。更具体地，我们将稀疏门的MOE技术应用于两种网络：序列到序列变压器（S2S-T）和变压器换能器（T-T）。我们通过一组关于多语言数据的一组ASR实验证明了MOE网络可以分别使用S2S-T和T-T将相对字误差率降低16.5 \％和4.7 \％。此外，我们在各种条件下彻底调查了MOE对T-T架构上的T-T架构的影响：流模式，非流模式，使用语言ID和带有MOE的标签解码器。
translated by 谷歌翻译