هذه المادة من بريد إلكتروني الصغير لا الجمهور : عناوين مايكروسوفت للبحوث AI
AAAI 2020 تم فتح في نيويورك، ولكن هذه المرة الوضع يختلف قليلا، وكثير من شريك المحلية الصغيرة نظرا لتأثير هذا الوباء لا يمكن المشاركة في الموقع اجتماع . هل حماية اليومية من المنزل الذي شركاء صغير نفس الوقت، فقد حان الوقت لفتح "، ويقول المشاركون" أصدقاء نموذج. مايكروسوفت للبحوث آسيا في هذا AAAI اختارت 29 ورقة، وتغطي ورقة المكعب لتقديم تحليل ست ورقات مختارة المتفشي، والهجرة نمط النص، كتابة الجملة، أكثر المتطورة المتكاملة تعلم المواضيع والكيانات المهام المرتبطة، إذا كنت لا تستطيع الذهاب الى الموقع للجمعية العامة، نلقي نظرة على هذه الأوراق تحديده.
1، نمط النص القليلة الموارد مجموعات البيانات هاجر
مجموعة بيانات عن انخفاض في الموارد الطبيعية مجدد تسلسل إلى تسلسل الجيل
أوراق تحتوي على وصلة: HTTPS: // شبكة الاتصالات العالمية. MSRA .cn /wp-content/uploads/2020/01/A-Dataset-for-Low-Resource-Stylized-Sequence-to-Sequence-Generation.pdf
الهجرة الاسلوب هو حقل الأخير من الجيل اللغة الطبيعية هو نار موضوع، جنبا إلى جنب مع التكنولوجيا المقترحة، النمط الحالي للهجرة أن أفضل تم خوارزميات يهاجرون إلى تسلسل النص "العاطفي القطبية" و "النص القياسي" ل. ومع ذلك، في العديد من التطبيقات في العالم الحقيقي، ونحن بحاجة لتنفيذ مهمتين Sequence2Sequence الهجرة والأسلوب، مثل الروبوت في الحوار، ونحن نطلب أن الجهاز لا يمكن أن تعطي إلا استجابة ذات الصلة بالحوار المدخلة من قبل المستخدم، ويمكن أيضا ضمان الرد المعيارية.
الشكل 1: الحوار عينة من أنماط مختلفة
كما هو مبين في الشكل 1، عندما يسأل المستخدمين الثلاثين الأسئلة حول Windows، يجب أن يعطى الرد رسمي ومهذبا، ولكن ليس عارضة وغير مهذب. من أجل دراسة التقدم المحرز في خوارزمية الحالية لهذه المشكلة، نقترح مجموعتين من البيانات - الترجمة الآلية الشكلية كوربوس (MTFC) وتويتر المحادثة الشكلية كوربوس (TCFC)، وتمت دراسة الهجرة أسلوب الترجمة الآلية والهجرة أسلوب الحوار.
من بينها، يتم تعريف مهمة أعطيت MTFC لغة المنطوقة الصينية، يجب أن يكون نتيجة للترجمة الإنكليزية رسمية مكتوبة. لإنجاز هذه المهمة، MTFC احتواء من Opensubtitle تحميل الجملة وتنظيف حوالي 14 مليون الصينية والانجليزية ترجمة اللغة المحكية، وكذلك 50000 غير الرسمي الانجليزية النص GYAFC مجموعة البيانات الواردة في نص عادي. يتم تعريف مهمة TCFC كما، ونظرا لأسلوب تويتر (تويتر) للحوار أعلاه، لإعطاء الرسمية ومهذبا المحادثة رد. TCFC توفير 1.7 مليون تويت الحوار الإحضار عن بيانات التدريب.
من أجل التحقق من أداء النموذج في هذه المهمة، والمصادقة MTFC ومجموعات اختبار تحتوي على اللغة المحكية الصينية 2865 و1412 إلى كتب أزواج الجملة الإنجليزية (كل واحد يوفر أربعة يتحدث الانجليزية اللغة الصينية المكتوبة كمرجع). وبالمثل، TCFC التحقق من صحة واختبار مجموعات 980 و 978، على التوالي، التي تضم عينة (كل المقابلة إلى الحوار أسلوب 2 محادثة رسمية الرد أعلاه). أيضا التحقق من ورقة تأثير المحورية النموذجي، المعلم الطالب النموذجي، العودة الترجمة نموذج ثلاثة أنواع من نموذج الأساسي، الذي أداء نموذج العودة الترجمة هو الأفضل.
FIG 2: تأثير نموذج ثلاثي خط الأساس
2، قبل التدريب عن طريق توليد اللغات الطبيعية عبر اللغات
الجيل اللغة عبر اللغات عبر الطبيعية ما قبل التدريب
أوراق الرابط: https://arxiv.org/abs/1909.10481
تدريب نموذج الجيل اللغة الطبيعية يتطلب بيانات التدريب المكثف، ولكن معظم مجموعات البيانات تستند إلى ثروة من الموارد في اللغة الإنجليزية وغيرها من اللغات، مما يحد من تطبيق هذه النماذج في لغات أخرى. تقدم هذه الورقة عبر لغة أساليب ما قبل التدريب التي نراقبها النص إشارة مهمة جيل يمكن ترحيلها بين لغات مختلفة، من أجل تحقيق عينة الصفر لتوليد نموذج من عينة عبر لغة أو تعلم لغة أقل الطبيعي.
في لغة مشتركة بين نقل اللغة الطبيعية نموذج الجيل، ويتم نموذج عادة في تدريب اللغة الإنجليزية، ومن ثم اختباره على لغات أخرى لملخص النص، على سبيل المثال:
الشكل 3: مثال مقتطف من نص
وتعرض هذه الورقة خصائص XNLG قبل التدريب نموذج المشكلة. XNLG هو تسلسل نموذج محول لتسلسل، ويتكون ما قبل التدريب من مرحلتين: مرحلة ما قبل التدريب الترميز، فك قبل التدريب، وكذلك بعدين: أحادي قبل التدريب، عبر لغة ما قبل التدريب، ما مجموعه أربع مهام ما قبل التدريب، مثل الشكل (4):
الشكل 4: XNLG قبل التدريب مهمة
نحن توليد عينة الصفر مهمة ملخص السؤال عبر اللغة / النص (في تدريب اللغة الإنجليزية، واختبار في اللغات الأخرى) التجارب التي أجريت على، كما هو مبين في الشكل. وأظهرت النتائج أن XNLG يمكن أن تتجاوز نموذج خط التجميع على أساس الترجمة الآلية.
الشكل 5: عبر لغة توليد الصفر مشكلة / مهمة ملخص النتائج النص عينة
وبالإضافة إلى ذلك، لدينا تجربة مع أرقام مختلفة في بيانات التدريب على اللغة الهدف، وتأثير التغييرات في الهجرة عبر لغة XNLG، كما هو مبين في الشكل (6). وأظهرت النتائج أن يمكن XNLG ترحيل كمية البيانات في مجموعة متنوعة من المعرفة من اللغة المصدر إلى اللغة الهدف والنتيجة رفع على اللغة الهدف، وخصوصا عندما كمية صغيرة من تدريب البيانات في اللغة الهدف.
الشكل 6: عبر لغة النتائج الهجرة فحص
3، استنادا إلى حقيقة أن النظرة مهمة الجملة تجزئة إعادة كتابة نفس التدريب واستبدال
الحقائق تدرك الجملة سبليت وإعادة صياغة مع التقليب قسما ثابتا التدريب
أوراق تحتوي على وصلة: الشبكي: //arxiv.org/pdf/2001.11383.pdf
ويزيد من تعقيد مهمة إعادة كتابة الجملة تجزئة الجمل الطويلة دخلت حيز وافر من العبارات البسيطة تعادل غويا، وعادة نموذج seq2seq الإحضار التدريب في موازاة ذلك، مثل هذا الأسلوب يواجه مشكلتين رئيسيتين:
1. للحصول على الجمل الطويلة المعقدة، والتشفير من الصعب التقاط بدقة ذكرت الحقائق فيه، وغالبا ما يتم فقدان المعلومات جمل بسيطة جدا فك الشفرة أو توليد بعض الأخطاء الحقائق التعبير (FIG 7 (أ) أدناه)؛
2. منذ عدد وافر من جمل بسيطة مستمدة من الجملة المعقدة، يمكن أن تقدم في أي من بشكل متتابع، وسوف تضطرب العشوائية من قبل هذا الترتيب يجب seq2seq نموذج يولد عدد وافر من العبارات البسيطة في ما النظام (FIG 7 ( معروضة) ب).
الرقم 7: seq2seq نموذج الجملة التجزئة في إعادة كتابة المثال المشكلة التي تواجه مهمة
لحل هذه المشاكل، تقوم الحقائق هذا يدخل رقة الإدراك الحسي الترميز الجملة FASE واستراتيجية استبدال PIT التدريب غير ذات صلة. كما هو مبين في الشكل إطار نموذج كامل 8، FASE تعدد المهام وسائل التعلم بحيث يتميز ليس فقط لمهمة الحكم تجزئة لإعادة الكتابة، وأيضا للحكم من حقيقة أنه نظرا للمجمع الحالي يمكن استنتاج ما إذا كانت الجملة المشفرة بواسطة التشفير . إدخال تقرير واقعي من المهام الإضافية يجعل نموذج لأفضل التقاط معلومات واقعية من الجمل الطويلة المعقدة، وبالتالي تحسين دقة تجزئة الجملة، ويستخدم على نطاق واسع استراتيجية PIT لحل مشهد خطاب متعددة المتكلم تحت عنوان جدولة المهام منفصلة . إعادة كتابة مهمة الجملة التجزئة، ونحن نقدم استراتيجية PIT للعثور على النظام مع فقدان الحد الأدنى كهدف الأمثل، وبالتالي التخفيف من الآثار الناجمة عن العشوائية من أجل تقديم نموذج seq2seq التعلم، مما يجعل عملية التدريب برمتها أكثر استقرارا.
الرقم 8: إطار نموذج
في الطريقة المقترحة الحصول على مجموعة البيانات WebSplit-V1.0 لنتائج أكثر أهمية، وحيث أن PIT FASE على التوالي جلب تحسن كبير، ونحن أيضا OpenIE كما تجهيزها المهمة، ولكن أيضا يعزز إلى حد كبير ستانفورد النتائج OpenIE.
4، من أجل تحسين المهام صلة المادية التي تنطوي عليها نمذجة معلومات نوع كيان
تحسين الكيان الربط عن طريق النمذجة الكامنة الكيان معلومات نوع
أوراق تحتوي على وصلة: الشبكي: //arxiv.org/abs/2001.01447
الايجابيات روابط مهمة (الكيان ربط) هو دراسة كيفية النص غامض على "المرجعية" الحقيقية (ذكر) مرتبطة الكيان هدف المقابلة للقاعدة معرفية تصل، والنتائج التي يمكن أن تستخدم لمساعدة العديد من المهام ذات الصلة المعرفة، كما Q، واستخراج المعلومات. في طرق البحث، شهدت الكيانات مهمة مرتبطة الانتقال من الأساليب الهندسية التقليدية القائمة على ميزة لإنهاء الطريقة الحالية القائمة على الشبكة العصبية.
في الوقت الحاضر، بعض العصبية نموذجا متقدما القائمة على الشبكة هو سهلة لكيان الارتباط "يشير إلى" وصلة تصل إلى نوع غير المتسق للكيان. 9، DeepED الأساس طريقة من هذه الورقة (جانيا وهوفمان 2017) المشار إليها الكيانات "ميلووكي" مرتبطة Milwaukee_Brewers نوع الفريق بشكل غير صحيح، على الرغم من أن حرف الجر "في" من الواضح يعني "ميلووكي" يجب الرجوع إلى نوع الموقع من كيان ميلووكي.
الرقم 9: طريقة الأساس DeepED (جانيا وهوفمان 2017) نوع خطأ العينة على مجموعة قياسية من مجموعة البيانات المتقدمة AIDA-CoNLL
وبناء على هذه الملاحظة، فإن هذه الورقة تحلل سببين رئيسيين: 1) معلومات نوع كيان النمذجة المذكورة أعلاه والمتأصلة في غير كافية، ناقلات 2) يشير إلى نوع من كيان إلى كيان لا حساس . وبناء على هذا، فإننا نقترح بسيطة والتمثيل الفعال وكيان بيرت على أساس التشابه بين نموذج تدريب ما قبل اللغة الصلبة ميزة المستندة إلى أفضل التقاط المعلومات نوع الكيان.
أثبتت هذه الورقة على مجموعة قياسية من البيانات بين الميدان والاختبار الميداني من صحة هذا النموذج من قبل. في نفس الوقت من خلال أساليب التحليل التجريبي مفصل يبرهن على وجود ورقة حقيقية المقترحة لتصحيح نوع الخطأ التي تم إنشاؤها أكثر من نموذج الأساس.
وأخيرا، فإن ورقة من خلال نموذج المقابلة التي تم الحصول عليها في تدريب الفضاء سياق التمثيل لاسترداد أقرب السياق، بصريا تثبت التمثيل القائم على سياق بيرت أفضل التقاط الضمني معلومات نوع الكيان.
ويمثل طريقة من هذه الورقة، والأساس في أقرب جار في سياق الفضاء السياق: الرقم 10
5، Table2Analysis: النمذجة وأوصت نمط السائد لتحليل البيانات متعددة الأبعاد
Table2Analysis: النمذجة وتوصية أنماط التحليل المشتركة لمتعدد الأبعاد بيانات
أوراق تحتوي على وصلة: HTTPS: // شبكة الاتصالات العالمية. مايكروسوفت كوم / EN-US / بحوث / نشر / table2analysis-النمذجة وتوصية من بين-أنماط التحليل المشتركة مقابل متعددة الأبعاد البيانات /
الشكل 11: مثال عالمي تحليل البيانات متعدد الأبعاد
من البحوث العلمية لاستكشاف تحليل المعلومات التجارية، واكتشاف المعرفة والأتمتة قرار العملية، ونحن غالبا ما تواجه السؤال الحاسم: عندما مكعب (الجدول) للتحليل، ونحن عادة على كيفية استخراج المعلومات؟ مثل بيانات المبيعات في الشكل 11 (ممثل تاريخ، والمنطقة، والمبيعات، والمبيعات من أربعة أبعاد)، الذي تحليل معظم المحللين شيوعا سيجري ذلك؟ وفي هذا الصدد، فإن هذه الورقة يعرض Table2Analysis الإطار، من عدد كبير من Excel (تحليل البيانات) تحليل دراسة الحالة من أنماط عالمية، واستنادا إلى هذا الشكل الجديد من توصية بشأن تحليل البيانات الدلالي المشترك إنشاء المستخدم.
Table2Analysis هو إطار تسلسل الجدول ل. أولا نحدد تحليل اللغة، يتم ترميز عملية تحليل البيانات على شكل سلسلة من المشغلين، كل مشغل يجوز محددة مسبقا عمليات التحليل (على سبيل المثال، جزء من بداية التحليل، وظائف الكلية المختارة، وما إلى ذلك)، قد يكون تحديد جدول البيانات البعد. على سبيل المثال، "مجموع المبيعات حسب المنطقة" يمكن أن تكون ممثلة. وبناء على تحليل اللغة، ويمكن استخراج تحليل توصية المشترك على النحو التالي: وبالنظر إلى الجدول، يتم إنشاء الجدول عن طريق تسلسل مشغل في تكوين هذا البعد.
الشكل 12: إطار نموذج
لإنشاء تسلسل المشغل التحليل، في إطار Table2Analysis اتخذنا خطوة بخطوة واحدة ولدت عن طريق خلق من عدد كبير من المستخدمين (تحليل الجدول) من نموذج لغة علم (أي قيمة عملية وظيفة في FIG 12) بوصفها وظيفة الكشف عن مجريات الأمور التالية اختيار الخطوة. ولكن هناك العديد من التحديات على هذا النحو: الإدخال المشغل قد يأتي من أي جدول، وهناك احتمالات لانهائية، بسيط أسلوب التدريب التعرض seq2seq الانحراف في الاستدلال الفعلي؛ لأن متطلبات تركيب الصارمة للتسلسل المشغل، لا يمكن استخدام التقليدية مباشرة نماذج وأساليب التدريب لمعالجة اللغة الطبيعية الكثير ...... في هذا الصدد، فإننا نفذت تصميم طبقة المدخلات للشبكة العصبية، واستخدام موازية بحث طريقة أخذ العينات للحد من التعرض.
في شكل مجموعة كبيرة من البيانات التي نجمعها، Table2Analysis PivotTable (PivotTable) أوصى نذكر في أعلى 5 صلت 0.78، أعلى-1 هو أيضا 0.65. هذا يتحقق من صحة إطار Table2Analysis.
6، تنبيغ العصبي للالترجمة الآلية دمج التعلم
Transductive فرقة التعلم لآلة العصبية الترجمة
أوراق تحتوي على وصلة: HTTPS: // شبكة الاتصالات العالمية. MSRA .cn /wp-content/uploads/2020/01/Transductive-Ensemble-Learning-for-Neural-Machine-Translation.pdf
المتكامل التعلم (التعلم فرقة) استخدام عدد من نماذج مختلفة، وعينات استخدام تمييز الأصوات في مرحلة الاختبار. ومع ذلك، لاحظنا أن مهمة الترجمة الآلية العصبية (NMT) عندما شارك دقة عالية في نموذج الاختبار والتعلم المتكامل لن تجلب ترقية كبيرة إلى النتيجة النهائية. وينعكس أيضا ظاهرة مشابهة في الأدبيات ذات الصلة. لذلك، وكيفية دمج عدة نماذج NMT قوية الحصول على نتائج اختبار أفضل، والدراسة هي موضوع هذه الورقة. نقترح إجراء نموذج التعلم المتكاملة (Transductive فرقة التعلم، كما يختصر TEL )، ويمكن تدريبهم من قبل طريقة، عدد وافر من نموذج متكامل NMT قوي إلى نموذج لتعطي نتائج اختبار أفضل. نحن WMT الإنجليزية - للتحقق من صحة خوارزمية لدينا في الترجمة الفنلندية - الترجمة الألمانية والإنجليزية. على وجه الخصوص، وحققنا أفضل النتائج في المهام الترجمة الحالية WMT'16-WMT'18 ينجدي.
في TEL النموذج، نلاحظ المساحات اثنين الى X اللغة وY، مجموعة التدريب ومجموعة اختبار التحقق من صحة المشار إليها D_train = {(x_i، y_i)} _ (ط = 1) ^ (N_tr)، D_valid = {( س _I، _I ص)} _ (ط = 1) ^ (N_val)، D_test = {x_j ^ *} _ (ي = 1) ^ (N_test). لاحظ أن نتمكن من الحصول على مجموعة اختبار المدخل، ولكن ليس هناك علامة المقابلة. عملية محددة كما يلي:
(A) يجب أن نقوم بتدريب أولا على D_train، والحصول على K نماذج مختلفة. استخدام البذور عشوائية مختلفة يمكن أن يكون. يرمز النموذج الناتج f_1، f_2، ، f_K.
(B) العينة مجموعة التحقق من صحة واختبار مجموعة باستخدام نماذج K للترجمة: D_v = {(س، f_k (س)) | xD_valid، k}، D_t = {(س، f_k (خ)) | xD_test، k}.
(C) على D_vD_t تقليم: -min _ ((س، ص) D_vD_t) logP (yx، f_0) في f_0 كما التهيئة يمكن أن يكون اختياريا من f_1، f_2، ، f_K في نموذج. عندما توقف التدريب على أفضل النتائج نموذج في مجموعة التحقق من الصحة.
أولا، لقد وصفت استخدام البيانات والقيام بمجموعة البيانات مرة أخرى الترجمة الحصول على مجموعتين من تعزيز النتائج التجريبية هو مبين في الشكل 13 أدناه. وأظهرت النتائج أن خوارزمية لدينا TEL ونحن قادرون على تحقيق بعض التحسن في أوضاع مختلفة.
الشكل 13: TEL نتائج الترجمة الفنلندية - WMT باللغة الإنجليزية - اللغة الإنجليزية والترجمة الألمانية
وأخيرا، ونحن نستخدم بيانات أكبر خالية من الحجم، وتحقيق النتائج التالية على WMT الأنجلو-الألمانية:
الشكل 14: TEL خوارزميات النتائج على الترجمة الأنجلو الألمانية للWMT
من جانب عدد كبير من التجارب، وجدنا ما يلي: (1) TEL الخوارزمية يمكن أن تعزز نموذجا قويا قاعدة NMT، (2) TEL الخوارزمية قوية لقيمة K، (3) حتى لو كان فقط جزء من مجموعة اختبار المدخل، TEL الخوارزمية لا تزال قادرة على تحقيق بعض الآثار الزيادة الترجمة. لمزيد من التفاصيل، انظر الأوراق.
تقرير AAAI 2020:
تحت وباء فيروس كورونا الجديد، AAAI2020 أيضا الانتقال إلى اللقاء؟
منع من دخول الولايات المتحدة، انخفض المشاركين موقع AAAI2020 من خلال ورقة كيفية المشاركة؟
وقائع AAAI 2020: AAAI 2020 @ وانغ جينغ رقة تفسير (PPT تحميل )
ما يدرس NLP اتجاه الرياح على AAAI 2020 هناك؟
AAAI سلسلة رقة 2020 القراءة:
خطاب أفضل الاعتراف والترجمة نماذج 01. بناء عن طريق الترجمة التفاعلية
02. منظور جديد لاستكشاف "الكشف عن وجوه" علاقة متبادلة المنفعة مع "تقسيم مثيل" من
03. أين تنبع منظور المترابط تجميع، والتكرار، والطبيعة المفاجئة جديدة للمشكلة من؟
04. قصة باستخدام الرسم البياني المشهد لتوليد سلسلة من الصور ل
05.2100 مجد مجال الملك 1V1 الفوز نسبة 99.8، ويجب أن يدرك تينسنت تفسير التقني لمنظمة العفو الدولية
06. متعددة المهام التعلم، وكيفية تصميم آلية أفضل تقاسم المعلمة؟
07. لسانه وننسى؟ هذا النموذج يمكن أن تساعدك | متعدد القنوات القاموس نموذج العكس
08. DualVD: إطار جديد الحوار البصري
09. مع BabelNet بناء متعدد اللغات للمعرفة سيميم
10. اخدود سهلة لملء: الترجمة نهاية إلى كلام، قبل التقارب طريقة التدريب وصقل
11. فقد يكون الوقت قد اثنين من أنت؟ شرائح محتوى الفيديو على أساس توقيت مخطط ثنائي الأبعاد الكشف
12. آليات كرة الثلج للتعليم الشبكة العصبية وأقل علاقة الوقت
13. خلال الكشف عن نموذج فصل التوصيف الدلالي والنحوي آليات الدماغ
14. متعدد الوسائط صيغة التوجيه الإيمانية المتعدد الوسائط خلاصات التلقائي
15. استخدام آلية الاهتمام طويلة لتوليد الترجمة التنوع
16. صفر عينة تعلم لتوسيع خريطة المعرفة (فيديو التفسير)
17. الفيديو كود الاستعلام استرجاع الصورة القائمة مفتوحة المصدر!
استنادا NAS-18. تصميم الشبكة GCN (القراءة فيديو)
19. التشخيص العصبي بسبب نظام التعليم الذكي، والتعلم من البيانات البيني وظيفة
الرقم 20. ومتعددة المراحل الإلتواء خوارزمية التعلم تحت إشراف النفس
21. النموذج الجديد، وتوليد حوار أكثر مرونة، وأكثر شخصية (فيديو التفسير، وتعلق PPT)
22. التعرف على النص لفصل اهتمام الشبكة
23. الدراسة صفر العينة على أساس الخصائص البصرية ضد طريقة المتبقية
24. هو عرض وحدة التقييم، وآلة رفع الترجمة الإخلاص الطلاقة (مفتوحة بالفعل)
25. كاميرا متعددة المساعدة الموقف التعاوني في إطار مبادرة لتحقيق مسار الهدف
26. إعادة النظر في تقييم الصورة الجمالية وتجد يسلط الضوء على نقطة محورية
27. تحسين أهداف التدريب، لتعزيز جودة الترجمة من نموذج غير autoregression (مفتوحة بالفعل)
28: المزدوج عرض علامات التصنيف باستخدام عدد وافر من ضعف تحسين الأداء تصنيف
29. وبناء على سياسة شجرة تعزيز التعلم التدريجي
30. تمثيل مشترك على أساس الترجمة الآلية العصبية (تفسير الفيديو)
31. هو عرض وحدة التقييم والطلاقة آلة رفع الترجمة الإخلاص (القراءة فيديو)
32. A العصبية آلية شبكة كرة الثلج عدة مرات علاقة التعلم (تفسير الفيديو)
33. غير المتمتعة بالحكم الذاتي العائد الترجمة الآلية (تفسير الفيديو) على أساس التدريب الهدف ن الصفوف
مجموعة البيانات 34. فحص القضائية (تفسير الفيديو، تعلق تحميل وصلات)
35. ضعف الرقابة تجزئة الدلالية (القراءة فيديو)
43. ألعاب اللوح المساعدة القيام به، قفزة ملحوظة (تفسير الفيديو)
ينقسم 44. تيار الدلالي فيديو جديد والبصرية المشتركة التعلم خوارزمية
