ขั้นตอนแรกในการเขียนโปรแกรมคอมพิวเตอร์ควอนตัมบนคลาวด์

ขั้นตอนแรกในการเขียนโปรแกรมคอมพิวเตอร์ควอนตัมบนคลาวด์

เครดิตฟรี

ตั้งแต่ปีที่แล้ว นักวิทยาศาสตร์ นักศึกษา และควอนตัมคอมพิวติ้ง ได้สำรวจแพลตฟอร์มควอนตัมคอมพิวติ้งบนคลาวด์แห่งแรกและแห่งเดียวในโลก นั่นคือIBM Quantum Experience พวกเขากำลังเรียกใช้อัลกอริธึมควอนตัมตามรูปแบบบัญญัติที่รู้จักกันดี เช่นการค้นหาของ Groverแบบสองบิตและแม้กระทั่งทดลองทำการทดลองของตนเองบนตัวประมวลผลควอนตัม 5 ควอนตัมที่โฮสต์บน IBM Cloud ของเรา

สล็อต

เราออกแบบประสบการณ์ควอนตัมด้วยอินเทอร์เฟซที่มองเห็นได้ซึ่งเรียกว่า Quantum Composer รอบ ๆ ห้องสมุดประตูควอนตัมที่ใช้กันทั่วไปซึ่งมักสอนในตำราและหลักสูตรการคำนวณควอนตัมต่างๆ
และชุมชนซึ่งมีผู้เข้าร่วมกว่า 40,000 คนทำการทดลองเกี่ยวกับ Quantum Experience มากกว่า 275,000 ครั้ง ได้รับการเรียกร้องเพิ่มเติม เข้าถึง qubits ได้มากขึ้น ความเป็นไปได้มากขึ้นกับการทดลอง
ดังนั้นเราจึงรู้สึกตื่นเต้นที่จะแบ่งปันการอัปเกรดใหม่ล่าสุดของเราเป็น Quantum Experience: อินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชัน ( API ) เพื่อโต้ตอบกับการทดลองและโปรแกรมจำลองโดยตรง ยิ่งไปกว่านั้น มันใช้การแสดงควอนตัมขั้นกลางที่เสริมความแข็งแกร่งซึ่งเราเรียกว่าOPENQASMซึ่งสนับสนุนชุดเครื่องมือที่สมบูรณ์ยิ่งขึ้นของวงจรควอนตัม ซึ่งช่วยเพิ่มขีดความสามารถของฮาร์ดแวร์ควอนตัมพื้นฐานสำหรับการเปิดตัวในอนาคต
ในตอนนี้ ผู้ใช้จะสามารถรันชุดของการดำเนินการได้โดยใช้ภาษาสคริปต์ เช่น Python และด้วยเหตุนี้จึงรวมการคำนวณระดับสูงของผลลัพธ์ที่ส่งคืนจากตัวประมวลผลควอนตัมของ IBM ที่โฮสต์บนคลาวด์เข้าด้วยกัน สิ่งนี้ทำให้เกิดสะพานเชื่อมไปสู่การสร้างการทดลองที่ซับซ้อนและให้กรอบการทำงานสำหรับการเขียนโปรแกรมระดับสูงขึ้นเมื่อคอมพิวเตอร์ควอนตัมของเราขยายจากห้า qubits ไปสู่ขอบเขตของคอมพิวเตอร์ควอนตัมขนาดกลางที่ ~50-100 qubits
โดยการเข้าถึงที่เก็บ github แบบโอเพนซอร์สด้วย API ของเราและชุดพัฒนาซอฟต์แวร์อย่างง่าย (SDK) ผู้ใช้จะสามารถเข้าถึงตัวอย่างและเอกสารประกอบเกี่ยวกับวิธีการเขียนโปรแกรมบนคลาวด์และสคริปต์ตัวอย่างเพื่อเรียนรู้วิธีพัฒนาอินเทอร์เฟซ คอมไพเลอร์ และโปรแกรมใหม่ ซึ่งอาจช่วยกำหนดวิวัฒนาการต่อไปของวิทยาการคอมพิวเตอร์ควอนตัม เพื่อที่จะเปิดใช้งานคอมพิวเตอร์ควอนตัมขนาดกลางได้ภายในเวลาไม่กี่ปี มีความจำเป็นที่จะเริ่มกำหนดกรอบซอฟต์แวร์ในวันนี้ และเรารู้สึกตื่นเต้นที่จะนำเสนอการพัฒนาชุมชนนี้ผ่านประสบการณ์ควอนตัมของเรา
อัลกอริทึมสำหรับคอมพิวเตอร์ควอนตัมต้องได้รับการออกแบบอย่างระมัดระวังเพื่อใช้ประโยชน์จากคุณสมบัติของกลศาสตร์ควอนตัมเพื่อเพิ่มความเร็วเหนืออัลกอริธึมแบบคลาสสิก ความละเอียดอ่อนที่เกี่ยวข้องกับการออกแบบอัลกอริธึมควอนตัมทำให้การนำคอมพิวเตอร์ควอนตัมมาใช้กับปัญหาในโลกแห่งความเป็นจริงในองค์กรเป็นเรื่องท้าทาย QC Ware กำลังสำรวจว่าอัลกอริธึมควอนตัมบางตัวที่พัฒนาขึ้นในช่วง 30 ปีที่ผ่านมา (รายการที่ครอบคลุมได้รับการดูแลโดย NIST ) สามารถปรับให้ทำงานบนต้นแบบ QC ในยุคแรก ๆ เช่นที่ผลิตโดย IBM ก่อนความผิดพลาดขนาดใหญ่ – มีการติดตั้งคอมพิวเตอร์ควอนตัมที่ทนทาน
—แมตต์ จอห์นสัน ซีอีโอของ QCWare Corp. บริษัทซอฟต์แวร์แอพพลิเคชั่น
การเตรียมคอมพิวเตอร์ควอนตัมสำหรับวิทยาการคอมพิวเตอร์ควอนตัม
หากวันนี้เรามีคอมพิวเตอร์ควอนตัมขนาดกลาง การเขียนโปรแกรมระบบดังกล่าวเพื่อสำรวจแอปพลิเคชันง่ายๆ แสดงให้เห็นถึงข้อได้เปรียบของควอนตัมเหนือคอมพิวเตอร์คลาสสิกสำหรับงานคำนวณบางอย่าง และแม้แต่การตรวจสอบฟังก์ชันควอนตัมของระบบดังกล่าวก็เป็นงานที่ท้าทาย ความซับซ้อนนี้จำเป็นต้องมีสถาปัตยกรรมแบบเลเยอร์และลำดับชั้นของเครื่องมือ
การคำนวณด้วยควอนตัมจำเป็นต้องมีการแสดงพื้นฐานของวงจรควอนตัม ซึ่งเราสามารถใช้เพื่อสื่อสารกับฮาร์ดแวร์เวอร์ชันปัจจุบันและอนาคตของเราได้ เพื่อให้ทันกับการขยายตัว เร็วๆ นี้เราจะรวม SDK ที่จะนำเสนอการดำเนินการหลายอย่าง เช่น ชุดเครื่องมือที่บีบอัดโปรแกรมของผู้ใช้เป็นสิ่งที่สามารถใช้คอมพิวเตอร์ควอนตัมได้ รวมทั้งปรับแต่งและกำหนดอินเทอร์เฟซระหว่างคลาสสิกและ คอมพิวเตอร์ควอนตัม
คิดว่านี่เป็นการอัพเกรดซอฟต์แวร์ก่อนที่ฮาร์ดแวร์จะพร้อม แต่เมื่อเป็นเช่นนั้น นักวิทยาศาสตร์จะสร้างเครื่องมือที่จำเป็นในการใช้ประโยชน์จากเครื่องจักรขนาด 50 คิวบิตบนรากฐานของเรา
หากคุณได้สำรวจเครื่องมือ Quantum Experience แล้ว มาทดลองกับอินเทอร์เฟซใหม่และ API แบบง่ายของเรา สำหรับผู้ที่เพิ่งเริ่มใช้ควอนตัม เรามีคู่มือผู้ใช้ที่ครอบคลุมและฟอรัมชุมชนที่เจริญรุ่งเรืองเพื่อช่วยให้คุณเริ่มต้นได้
สถาบันการศึกษาและอุตสาหกรรมสามารถติดต่อเราเกี่ยวกับโปรแกรมการค้าใหม่ของเราผ่านสถาบัน Frontiersของเรา เมื่อความสามารถในการคำนวณควอนตัมของเราขยายตัว ห้องแล็บของเราก็เช่นกัน ช่วยให้เรากำหนดอนาคตควอนตัม
การทำงานร่วมกันระหว่างIBM Research AIและ University of Michigan นี้เป็นการสำรวจทางเลือกอื่นนอกเหนือจากกระบวนทัศน์ของมนุษย์ในวงกว้าง เช่น Active Learning ที่นำผู้เชี่ยวชาญมาสู่ลูปสองครั้ง: ขั้นแรกให้ติดป้ายกำกับข้อมูลการฝึกอบรม จากนั้นจึงวิเคราะห์และปรับปรุง โมเดลที่เรียนรู้ด้วยเครื่อง ซึ่งทำได้โดยการแสดงโครงสร้างทางภาษาเชิงความหมายในอินเทอร์เฟซที่ใช้เบราว์เซอร์แบบลากและวางที่ใช้งานง่าย ซึ่งช่วยลดความยุ่งยากในการตีความและอัปเดตนิพจน์ทางภาษาโดยผู้เชี่ยวชาญเฉพาะด้าน
ในกรณีนี้ ข้อมูลมีป้ายกำกับโดยทนายความของ IBM ซึ่งรวบรวมประโยค 20,000 ประโยคในเกือบ 150 สัญญาเพื่อใส่คำอธิบายประกอบวลีที่เกี่ยวข้องกับประโยคสำคัญ เช่น การบอกเลิก การสื่อสาร และการชำระเงิน ข้อมูลที่ค่อนข้างเบาบางนี้ถูกใช้เพื่อฝึกโมเดล NLP ที่ปรากฏในต้นแบบการเรียนรู้ของเครื่องแบบ Human-in-the-loop ใหม่ที่เราเรียกว่า HEIDL ซึ่งย่อมาจากH uman-in-the-loop linguistic E xpressions กับI th D eep L ที่ได้รับ
HEIDL จัดอันดับนิพจน์ทางภาษาที่สร้างโดยเครื่องจักรด้วยความแม่นยำและการเรียกคืน ความแม่นยำคือการวัดว่านิพจน์ระบุข้อที่เกี่ยวข้องในสัญญาได้ดีเพียงใดโดยไม่มีผลบวกปลอม ในทางกลับกัน การเรียกคืนคือการวัดว่านิพจน์มีประสิทธิภาพเพียงใดในการจับภาพอนุประโยคที่เกี่ยวข้องโดยไม่มีผลลบปลอม กล่าวอีกนัยหนึ่ง นิพจน์ที่แม่นยำยิ่งขึ้นทำให้เกิดข้อผิดพลาดน้อยลงและจำอนุประโยคได้มากขึ้น ผู้ใช้ HEIDL สามารถจำกัดชุดของนิพจน์ที่ยอมรับได้โดยการตั้งค่าความแม่นยำขั้นต่ำและเกณฑ์การเรียกคืน จากนั้นสามารถสังเกตผลกระทบของการเปลี่ยนแปลงดังกล่าวได้ทันที

สล็อตออนไลน์

เป้าหมายสูงสุดคือการได้รับความเข้าใจในเชิงลึกของสัญญาทางกฎหมายโดยอัตโนมัติ ขั้นตอนหนึ่งคือการทำสัญญา ซึ่งมักจะใช้ภาษาที่ซับซ้อน และติดป้ายกำกับแต่ละประโยคโดยอัตโนมัติด้วยป้ายกำกับที่มีประโยชน์อย่างน้อยหนึ่งรายการ ดังนั้น โดยไม่ต้องอ่านสัญญาทั้งหมด ฉันอาจต้องการดูประโยคทั้งหมดที่เกี่ยวข้องกับประโยคบอกเลิกสัญญา ซึ่งอาจแสดงโดยใช้ภาษาทางกฎหมายที่หลากหลาย และกำหนดป้ายกำกับว่า ‘การบอกเลิก’ ให้พวกเขา
ทนายความจำเป็นต้องวางใจในฉลากที่สร้างด้วยเครื่องจักร ดังนั้นจึงมีความสำคัญเท่าเทียมกันที่ผู้ใช้จะต้องเข้าใจเหตุผลที่อยู่เบื้องหลังนิพจน์ทางภาษาแต่ละนิพจน์ และผลกระทบที่การเปลี่ยนแปลงนิพจน์จะมีผลต่อการระบุอนุประโยค การสาธิตของเราที่ ACL ใช้เป็นตัวอย่างในการระบุข้อสัญญาที่เกี่ยวข้องกับการสื่อสารระหว่างคู่สัญญา เมื่อใช้ HEIDL ผู้ใช้สามารถเจาะลึกลงไปในนิพจน์ทางภาษาเพื่อระบุประโยคการสื่อสาร และสำรวจว่าการปรับเปลี่ยนองค์ประกอบของแต่ละนิพจน์ส่งผลต่อความแม่นยำและการเรียกคืนอย่างไร
กริยาเช่น แจ้ง แจ้ง ติดต่อ หรือตอบกลับ อาจส่งสัญญาณถึงการมีอยู่ของประโยคการสื่อสารในสัญญาทางกฎหมาย อย่างไรก็ตาม การจับคู่คำหลักอย่างง่ายใดๆ ย่อมนำไปสู่ผลบวกปลอมจำนวนมากอย่างหลีกเลี่ยงไม่ได้ การแสดงออกทางภาษาศาสตร์ที่แข็งแกร่งอาจยกตัวอย่างเช่น ระบุตัวอย่างของคำกริยาดังกล่าวในบริบทของลักษณะการสื่อสารที่ตกลงกันระหว่างฝ่ายต่างๆ เช่น ทันที ทางอิเล็กทรอนิกส์และ [ใน] การเขียน ผู้ใช้สามารถสำรวจองค์ประกอบของนิพจน์นี้และสังเกตผลของการเพิกเฉยต่อบริบทของกริยาได้ทันที หรือเพิ่ม/ละเว้นคำที่เกี่ยวข้องใดๆ
แม้แต่การสำรวจเพิ่มเติมแบบง่ายๆ ยังเน้นให้เห็นถึงคุณค่ามหาศาลของการอธิบายได้ และข้อผิดพลาดของการไว้วางใจแบบจำลองอย่างสุ่มสี่สุ่มห้า หรือการเพิ่มประสิทธิภาพสำหรับสิ่งที่ดูเหมือนจะเป็นตัวชี้วัดที่ดี โมเดลที่สร้างโดยเครื่องนี้แนะนำให้ใช้การแสดงออกทางภาษาศาสตร์ด้านบนและจำกัดไว้เฉพาะประโยคที่คำกริยาอยู่ในเสียงพาสซีฟ เนื่องจากวิธีนี้ช่วยเพิ่มความแม่นยำถึง 100 เปอร์เซ็นต์ และไม่ส่งผลต่อการจำได้ โมเดลกล่องดำจะเลือกใช้เงื่อนไขนี้อย่างไม่ต้องสงสัย อย่างไรก็ตาม บุคคลที่โต้ตอบกับ HEIDL สามารถตีความข้อเสนอแนะนี้และตระหนักดีว่าแม้กรณีนี้อาจเป็นกรณีสำหรับข้อมูลการฝึกอบรมที่ให้มา แต่ก็ไม่มีเหตุผลใดที่โดยทั่วไปแล้ว ประโยคในการสื่อสารจะต้องอยู่ในเสียงที่ไม่โต้ตอบ ในกรณีนี้, การนำคำแนะนำของเครื่องจะส่งผลให้แบบจำลองทั่วไปน้อยลงซึ่งเหมาะสมกับข้อมูลการฝึกอบรมที่เกิดขึ้น หากไม่มีการมองเห็นว่าเงื่อนไขหนึ่งๆ ส่งผลต่อการแสดงออกทางภาษาอย่างไรและทำไม เป็นไปได้ว่าเงื่อนไข ‘passive voice’ จะถูกรวมไว้ในอัลกอริธึมที่สร้างด้วยเครื่อง และในรูปแบบการเรียนรู้เชิงลึกที่คลุมเครือโดยไม่มีคำอธิบาย มนุษย์อาจไม่เคยตระหนักถึงมัน
สำหรับ HEIDL เราไม่ได้แค่พยายามทำให้ AI นั้นสามารถอธิบายได้ นอกจากนี้เรายังตั้งเป้าที่จะทำให้ AI สามารถปรับได้ตามข้อมูลของมนุษย์ ในการทดสอบกับ HEIDL นักวิทยาศาสตร์ด้านข้อมูลของเราสามารถระบุกฎเฉลี่ยเจ็ดข้อที่ติดป้ายกำกับโดยอัตโนมัติเกือบ 150 สัญญาด้วยความแม่นยำสูงและการเรียกคืนในเวลาประมาณ 30 นาที พวกเขาต้องใช้เวลาหนึ่งสัปดาห์หรือมากกว่านั้นในการสร้างสำนวนภาษาที่มีประสิทธิภาพคล้ายกันด้วยตนเองสำหรับสัญญาหลายฉบับ
แนวทางนี้ทำให้นิพจน์ทางภาษาที่สร้างจากการเรียนรู้เชิงลึกมีความโปร่งใสและอธิบายได้มากขึ้น เพื่อให้ผู้เชี่ยวชาญ ในกรณีนี้ ทนายความและคนอื่นๆ ที่ตรวจสอบสัญญา และวิศวกรสามารถตีความและปรับแต่งนิพจน์ได้อย่างง่ายดาย แบบจำลองทางชีวภาพที่ได้ผลลัพธ์นั้นเหนือกว่าประสิทธิภาพของอัลกอริธึมของมนุษย์หรือเครื่องจักรเพียงอย่างเดียว และความโปร่งใสของนิพจน์ที่สร้างขึ้นหมายความว่าแบบจำลองจะแข็งแกร่ง วางนัยได้ทั่วไป และน่าเชื่อถือ
IBM Project Debaterเป็นระบบปัญญาประดิษฐ์ระบบแรก (AI) ที่สามารถอภิปรายมนุษย์ในหัวข้อที่ซับซ้อนได้ หลังจากหลายปีของการพัฒนา Project Debater ประสบความสำเร็จในการอภิปรายสดกับ Harish Natarajan แชมป์ดีเบตของมนุษย์ เมื่อวันที่ 11 กุมภาพันธ์ 2019 ที่การประชุม IBM Think ในซานฟรานซิสโก ( ดูย้อนหลัง ) การเรียนรู้ภาษาเป็นความท้าทายที่ยิ่งใหญ่สำหรับ AI และ Project Debater เป็นก้าวสำคัญในการเดินทางครั้งนี้
[NPC4]ความพยายามนี้การวิจัยที่สำคัญมีผลในทางวิทยาศาสตร์กว่า 30 เอกสารและหลายชุดข้อมูล งานล่าสุดเกี่ยวกับการโต้แย้งทางคอมพิวเตอร์จากกลุ่มของเรากำลังนำเสนอในการประชุมACL 2019 เอกสารสามฉบับจะถูกนำเสนอในการประชุมหลัก และเอกสารอีกหนึ่งฉบับจะถูกนำเสนอในการประชุมเชิงปฏิบัติการการขุดอาร์กิวเมนต์ที่ตั้งอยู่ร่วมกัน Project Debater อิงจากนวัตกรรมหลักสามประการ ได้แก่ การเขียนและพูดสุนทรพจน์ที่ขับเคลื่อนด้วยข้อมูล ความเข้าใจในการฟัง และการสร้างแบบจำลองภาวะที่กลืนไม่เข้าคายไม่ออกของมนุษย์ ต่อไปนี้ เราจะพูดถึงนวัตกรรมเหล่านี้และวิธีที่งานล่าสุดของเรามีส่วนสนับสนุนแต่ละนวัตกรรม
การเขียนและการส่งมอบคำพูดที่ขับเคลื่อนด้วยข้อมูล
ในการเล่นโต้วาทีคุณจะได้ยิน Project Debater เสนอข้อเรียกร้องเพื่อสนับสนุนการอุดหนุนโรงเรียนอนุบาล สำรองข้อมูลด้วยหลักฐาน อ้างอิงตัวเลขที่เชื่อถือได้ และนำเสนอการศึกษาและข้อมูลสนับสนุน ระบบยังใช้อารมณ์ขันและสรุปประเด็นหลัก — ทั้งหมดนี้เพื่อสร้างสุนทรพจน์ที่น่าสนใจและน่าสนใจ
การสร้างคำพูดเริ่มต้นด้วยการแยกแยะคลังบทความในหนังสือพิมพ์ที่มีประโยคเกือบ 10 พันล้านประโยค จากเนื้อหาขนาดใหญ่นี้ ระบบจำเป็นต้องระบุอาร์กิวเมนต์สองสามโหลที่เกี่ยวข้องกับหัวข้อการอภิปราย
ถัดไป ระบุข้อโต้แย้งที่สนับสนุนฝ่ายนั้นในการโต้วาที เลือกข้อที่น่าเชื่อถือที่สุด และจัดเรียงเป็นคำพูดที่มีโครงสร้างดี สุดท้ายนี้ มีจุดมุ่งหมายเพื่อกล่าวสุนทรพจน์อย่างชัดเจนและมีจุดมุ่งหมายเพื่อให้ผู้ฟังสนใจ เอกสาร ACL ของเราสองฉบับมีส่วนสนับสนุนส่วนนี้ของโครงการ
ผลงานบรรยายใน “ Are You Convinced? การเลือกหลักฐานที่น่าเชื่อกว่าด้วยเครือข่ายสยาม ” มีวัตถุประสงค์เพื่อระบุว่าข้อโต้แย้งที่ตรวจพบข้อใดน่าเชื่อถือกว่า ด้วยเหตุนี้ เราจึงสร้างชุดข้อมูล — IBM-EviConv — ของคู่ประโยคที่เป็นหลักฐาน โดยแต่ละคู่มีเลเบลไบนารีชี้ไปที่อันที่น่าเชื่อถือกว่า คุณลักษณะที่สำคัญของชุดข้อมูลนี้คือเน้นย้ำถึงความเป็นเนื้อเดียวกันของคู่ เช่น องค์ประกอบที่เปรียบเทียบไม่แตกต่างกันในรูปแบบภาษาหรือความยาว การลดปัจจัยที่ไม่สำคัญ เช่น ความยาว ทำให้ชุดข้อมูลมีความท้าทายมากขึ้น และช่วยให้อัลกอริทึมการเรียนรู้มีโอกาสมากขึ้นในการเปิดเผยสัญญาณที่น่าเชื่อถือยิ่งขึ้น
เพื่อระบุข้อโต้แย้งที่น่าเชื่อถือยิ่งขึ้น เราขอเสนอเวอร์ชันของเครือข่ายสยามซึ่งมีประสิทธิภาพเหนือกว่าวิธีการที่ทันสมัย เครือข่ายที่เสนอได้รับการฝึกอบรมผ่านคู่อาร์กิวเมนต์ แต่จะกำหนดคะแนนสำหรับอาร์กิวเมนต์เดี่ยว ณ เวลาอนุมาน ดังนั้นจึงสามารถระบุข้อโต้แย้งที่น่าเชื่อถือมากขึ้นด้วยการส่งผ่านรายการอาร์กิวเมนต์ที่ตรวจพบเพียงครั้งเดียว
ในงานที่สอง “ จากการตั้งครรภ์แทนสู่การรับเลี้ยงบุตรบุญธรรม; จาก Bitcoin ไปจนถึง Cryptocurrency: Debate Topic Expansion ” เราแนะนำภารกิจการขยายหัวข้อการโต้วาที—ค้นหาหัวข้อที่เกี่ยวข้องที่สามารถเสริมสร้างข้อโต้แย้งของเราและเสริมความแข็งแกร่งให้กับกรณีของเราเมื่อโต้เถียงในหัวข้อที่กำหนด ตัวอย่างเช่น เมื่อพูดถึงข้อดีและข้อเสียของระบบประธานาธิบดี เป็นเรื่องปกติที่จะเปรียบเทียบกับระบบรัฐสภา เมื่ออภิปรายเกี่ยวกับการแพทย์ทางเลือก เราอาจพูดถึงตัวอย่างที่เฉพาะเจาะจง เช่น โฮมีโอพาธีย์และเนทูโรแพธี ในทางกลับกัน เมื่อพูดถึง bitcoins เราสามารถพูดในวงกว้างมากขึ้นเกี่ยวกับสกุลเงินดิจิทัล การขยายหัวข้ออภิปรายสามารถปรับปรุงความครอบคลุมของวิธีการขุดอาร์กิวเมนต์ที่มีอยู่โดยการจับคู่อาร์กิวเมนต์ที่เกี่ยวข้องซึ่งไม่ได้กล่าวถึงหัวข้อที่กำหนดอย่างชัดเจน
[NPC5]เราเสนอวิธีการสามขั้นตอนในการค้นหาส่วนขยายดังกล่าว ขั้นแรก เราแยกตัวเลือกการขยายออกจาก corpora ขนาดใหญ่โดยใช้ชุดรูปแบบที่กำหนดไว้ล่วงหน้า ต่อไป เราใช้ชุดตัวกรองกับผลการสกัด สุดท้าย เราใช้การจัดประเภทภายใต้การดูแลเพื่อระบุการขยายที่ดีในหมู่ผู้สมัครที่เหลือ วิธีการที่มีประสิทธิภาพดีที่สุดของเราผสมผสานการจำแนกประเภทตามคุณลักษณะแบบดั้งเดิม ซึ่งเราแนะนำชุดคุณลักษณะใหม่ และโครงข่ายประสาทเทียมระดับลึก ซึ่งได้รับการฝึกฝนโดยการควบคุมดูแลจากระยะไกล