无监督神经隐马尔可夫模型
Unsupervised Neural Hidden Markov Models
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所）；Google Brain（谷歌大脑）
摘要：
在这项工作中，我们提出了神经化无监督隐马尔可夫模型的第一个结果。我们评估了我们的标签导入方法。我们的方法优于现有的生成模型，并具有竞争力的国家的最先进的，虽然与一个简单的模型很容易扩展到包括额外的上下文。
英文摘要：
In this work, we present the first results for neuralizing an Unsupervised Hidden Markov Model. We evaluate our approach on tag in- duction. Our approach outperforms existing generative models and is competitive with the state-of-the-art though with a simpler model easily extended to include additional context.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
