CUNY-CL/yoyodyne

Non-autoregressive sequence generation

Open

#262 geöffnet am 25. Okt. 2024

Auf GitHub ansehen
 (0 Kommentare) (0 Reaktionen) (1 zugewiesene Person)Python (21 Forks)auto 404
enhancementgood first issuenew architecture

Repository-Metriken

Stars
 (35 Stars)
PR-Merge-Metriken
 (PR-Metriken ausstehend)

Beschreibung

Right now, our dominant paradigm is autoregressive prediction. While this is SOTA ,it doesn't allow experimentation with other sequence-to-sequence tasks. Technically, we can define an arbitrary sequence length >>>> than any input or output and train a model to project an input to this length and then decode over it for non-autoregressive prediction. Example algorithms would be: Listen Attend Spell or CTC.

Contributor Guide

Research-Richtung
Überprüfen Sie Arbeiten zur nicht autoregressiven Sequenzgenerierung (z.B. CTC, Listen Attend Spell) und untersuchen Sie, wie diese in das bestehende Sequenz zu Sequenz Framework integriert werden können. Lesen Sie zuerst den aktuellen Code, um die autoregressive Implementierung zu verstehen, und prototypisieren Sie dann ein nicht autoregressives Decodierungsmodul.
Tech Stack
python
Domain
machine learningai
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
4
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Über 1 Woche
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Frisch
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Meist klar
Voraussetzungen
Pythondeep learning basicssequence to sequence models
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
20