情境感知多路径网络

构建一个能够有效应对多种情境的单一网络——学习数据集内部或多个数据集之间的变化——是实现通用智能的一个引人入胜的步骤。现有的加深、加宽和组装网络的方法通常并不具有成本效益。鉴于此，能够根据输入的情境分配资源并在网络中调节信息流动的网络更为有效。本文中，我们提出了一种情境感知多路径网络（Context-Aware Multipath Network，简称CAMNet），这是一种具有数据依赖路由的多路径神经网络，能够在并行张量之间进行路由。我们展示了该模型作为一个通用模型，能够同时或依次捕捉单个数据集和多个不同数据集中的变化。与等效的单路径、多路径以及更深的单路径网络相比，CAMNet在单独考虑、顺序考虑及组合考虑各数据集时，在分类和像素标记任务上的性能均优于这些网络。CAMNet中张量之间的数据依赖路由使得模型能够端到端地控制信息流，决定哪些资源是共享的或特定于领域的。