根据经验，想要从数据中学习程序的神经网络会表现出很差的泛化能力。而且一直以来，当输入复杂度（input complexity）超过一定水平时，我们也难以推理这些模型的行为。为了解决这些问题，我们提出了使用一种关键抽象——递归（recursion）——来增强神经架构。在一个应用中，我们在一个神经编程器-解释器框架中实现了递归——该框架可用于四种任务：小学加法、冒泡排序、拓扑排序和快速排序。我们表明该方法需少量训练数据就能得到更优的泛化能力和可解释性。回归可将问题分成更小的组成部分，并能极大减少每个神经网络组件的域（domain），使得该问题可以解决，从而能够保证整体系统的行为。我们的经验表明为了使神经架构能稳健地学习程序语义（program semantics），有必要结合使用递归这样的概念。

机器之心 ICLR 相关文章列表

下面列出了机器之心此前已经发布过的有关 ICLR 2017 会议的文章，其中包括对重要研究论文的介绍、关于自动编程研究的总结和一些实现。