扩张循环神经网络

在长序列上使用循环神经网络（RNN）进行学习是一项众所周知的难题。主要存在三个挑战：1) 复杂的依赖关系，2) 梯度消失和梯度爆炸，以及 3) 高效并行化。本文介绍了一种简单而有效的 RNN 连接结构——DilatedRNN，该结构同时解决了所有这些挑战。所提出的架构以多分辨率稀疏递归跳过连接为特征，可以灵活地与各种 RNN 单元结合使用。此外，DilatedRNN 减少了所需的参数数量，并显著提高了训练效率，同时在涉及非常长期依赖的任务中达到了与现有最先进方法相当的性能（即使使用标准 RNN 单元）。为了从理论上量化该架构的优势，我们引入了一个记忆容量指标——平均递归长度（mean recurrent length），这一指标比现有的测量方法更适合具有长跳过连接的 RNN。我们严格证明了 DilatedRNN 在其他递归神经网络架构上的优势。我们的方法代码已公开发布在 https://github.com/code-terminator/DilatedRNN 上。