Attention Pervasive : Réseaux de Neurones Convolutifs 2D pour la Prédiction Séquence-à-Séquence

Les systèmes de traduction automatique les plus avancés actuellement sont basés sur des architectures encodeur-décodeur, qui d'abord encodent la séquence d'entrée, puis génèrent une séquence de sortie en fonction de cet encodage. Les deux parties sont connectées par un mécanisme d'attention qui recompose une représentation fixe des jetons source en fonction de l'état du décodeur. Nous proposons une approche alternative qui repose plutôt sur un seul réseau neuronal convolutif bidimensionnel (2D) appliqué aux deux séquences. Chaque couche de notre réseau recode les jetons source en fonction de la séquence de sortie produite jusqu'à présent. Les propriétés similaires à l'attention sont donc présentes à tous les niveaux du réseau. Notre modèle donne d'excellents résultats, surpassant les systèmes encodeur-décodeur les plus performants actuellement disponibles, tout en étant conceptuellement plus simple et avec moins de paramètres.