Recursive tree grammar autoencoders

自编码 计算机科学 树(集合论) 人工智能 编码器 解析 语法 深度学习 语法归纳法 机器学习 解析树 时间复杂性 循环神经网络 人工神经网络 基于规则的机器翻译 模式识别(心理学) 算法 数学 哲学 数学分析 操作系统 语言学
作者
Benjamin Paaßen,Irena Koprinska,Kalina Yacef
出处
期刊:Machine Learning [Springer Nature]
卷期号:111 (9): 3393-3423 被引量:3
标识
DOI:10.1007/s10994-022-06223-7
摘要

Abstract Machine learning on trees has been mostly focused on trees as input. Much less research has investigated trees as output, which has many applications, such as molecule optimization for drug discovery, or hint generation for intelligent tutoring systems. In this work, we propose a novel autoencoder approach, called recursive tree grammar autoencoder (RTG-AE), which encodes trees via a bottom-up parser and decodes trees via a tree grammar, both learned via recursive neural networks that minimize the variational autoencoder loss. The resulting encoder and decoder can then be utilized in subsequent tasks, such as optimization and time series prediction. RTG-AEs are the first model to combine three features: recursive processing, grammatical knowledge, and deep learning. Our key message is that this unique combination of all three features outperforms models which combine any two of the three. Experimentally, we show that RTG-AE improves the autoencoding error, training time, and optimization score on synthetic as well as real datasets compared to four baselines. We further prove that RTG-AEs parse and generate trees in linear time and are expressive enough to handle all regular tree grammars.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
yufanhui完成签到,获得积分0
刚刚
lemonhow完成签到,获得积分0
1秒前
Jingxia完成签到,获得积分10
1秒前
ZQJ发布了新的文献求助10
1秒前
Xin发布了新的文献求助10
1秒前
Patience完成签到,获得积分10
1秒前
Loooong应助Nanocapsule采纳,获得10
1秒前
顺心的千易完成签到,获得积分10
1秒前
2秒前
2秒前
3秒前
3秒前
笨蛋琪露诺完成签到,获得积分10
4秒前
饭神仙鱼完成签到,获得积分10
4秒前
思源应助安和桥采纳,获得10
4秒前
jscr完成签到,获得积分10
4秒前
风中的逊完成签到,获得积分10
5秒前
DD完成签到,获得积分10
5秒前
HCLO完成签到,获得积分10
6秒前
张虞完成签到,获得积分10
6秒前
争争完成签到,获得积分10
6秒前
给我点光环完成签到,获得积分10
7秒前
华仔应助ZQJ采纳,获得10
7秒前
kingwhitewing完成签到,获得积分10
8秒前
于文志发布了新的文献求助10
8秒前
8秒前
Mike001发布了新的文献求助30
8秒前
Akim应助蝼蚁王采纳,获得10
8秒前
绿茶完成签到 ,获得积分10
9秒前
Mike001发布了新的文献求助10
9秒前
liyang999完成签到 ,获得积分10
9秒前
babyuer完成签到 ,获得积分10
10秒前
一米阳光完成签到,获得积分10
10秒前
Beloved完成签到,获得积分10
10秒前
轻松的惜雪完成签到 ,获得积分10
11秒前
Mike001发布了新的文献求助10
11秒前
歪歪完成签到,获得积分10
11秒前
11秒前
大个应助Aqua采纳,获得10
11秒前
24K纯帅完成签到,获得积分10
13秒前
高分求助中
The three stars each : the Astrolabes and related texts 1070
Manual of Clinical Microbiology, 4 Volume Set (ASM Books) 13th Edition 1000
Boris Pesce - Gli impiegati della Fiat dal 1955 al 1999 un percorso nella memoria 500
[Lambert-Eaton syndrome without calcium channel autoantibodies] 500
少脉山油柑叶的化学成分研究 500
Recherches Ethnographiques sue les Yao dans la Chine du Sud 500
Aspect and Predication: The Semantics of Argument Structure 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2401689
求助须知:如何正确求助?哪些是违规求助? 2101176
关于积分的说明 5298041
捐赠科研通 1828783
什么是DOI,文献DOI怎么找? 911582
版权声明 560333
科研通“疑难数据库(出版商)”最低求助积分说明 487294