在OP rcpinto的建议下，我转换了一条评论，内容是看到“围绕Graves等人的工作发表的六篇论文，这些论文产生了机芯的成果”，并将提供一些链接。请记住，这仅回答了与NTM有关的部分问题，而不是Google DeepMind本身，此外，我仍在学习机器学习的绳索，因此这些论文中的某些内容已经超出了我的理解范围；不过，我确实设法掌握了Graves等人的原始论文 {1]中的许多内容，并且接近要使用自产的NTM代码进行测试。在过去的几个月中，我也至少浏览了以下几篇论文；他们没有以严格的科学方式复制NTM研究，但他们的许多实验结果的确至少在切线程度上支持了原始研究：
•在本文中，有关NTM寻址的一种变体，Gulcehere等。并没有试图精确地复制Graves等人的测试，但是与DeepMind团队一样，它确实证明了原始NTM和几种变体的结果要优于普通的递归LSTM。他们使用10,000个Facebook Q＆A数据集的训练样本，而不是N-grams Graves等人。在他们的论文中进行了操作，因此从严格意义上讲，它不是复制。但是，他们确实设法获得了原始NTM的版本和多个变体的运行，并记录了相同程度的性能改进。2
•与最初的NTM不同，该研究测试了强化学习的一个版本，该版本是不可区分的。这可能就是为什么他们无法解决几种类似编程的味道的原因，例如重复复制，除非控制器不局限于向前发展。但是，他们的结果足够好，可以为NTM的构想提供支持。他们的论文的最新修订版显然可用，我尚未阅读，因此也许他们的某些变体问题已解决。3
•不检测NTM的原味对像LSTMs普通神经网络的，本文进站它针对几个更先进的NTM内存结构。他们在与Graves等人相同类型的类似于编程的任务上获得了良好的结果。经过测试，但我不认为他们使用的是相同的数据集（很难从他们的研究写作方式中得知他们正在操作的数据集）。4
•在p。这项研究的 8，在Omniglot字符识别数据集上，NTM明显优于几种LSTM，前馈和最近邻方案。作者编写的另一种外部记忆方法显然胜过它，但显然效果仍然不错。作者似乎属于Google的竞争对手，因此在评估可复制性时可能会遇到问题。5
•在p。2 这些作者报告说，在复制任务的测试中，他们使用遗传NEAT算法演化而来的小得多的NTM网络，可以更好地概括“非常大的序列”，该算法动态地增长了拓扑。6
我想，NTM相当新，所以还没有太多时间严格复制原始研究成果。然而，我在整个夏天浏览的几篇论文似乎为他们的实验结果提供了支持。除了出色的性能外，我还没有看到任何报告。当然，我有可用性偏见，因为我只阅读可以在不经意的Internet搜索中轻松找到的pdf。从这个小样本中，似乎大多数后续研究都集中在扩展概念上，而不是复制上，这可以解释缺少可复制性数据。希望对您有所帮助。
1格雷夫斯，亚历克斯；Wayne，Greg和Danihelka，Ivo，2014年，“神经图灵机”，2014年12月10日出版。
2 Gulcehre，凯格拉；Sarath Chandar；Choy，Kyunghyun和Bengio，Yoshua，2016年，“具有软寻址和硬寻址方案的动态神经图灵机”，发布于2016年6月30日。
3 Zaremba，Wojciech和Sutskever，伊利亚，2015年，“强化学习神经图灵机”，2015年5月4日出版。
4张; 魏 Yu，Yang和Zhou，Bowen，2015年，“神经图灵机的结构化内存”，2015年10月25日出版。
5亚当·桑托罗；谢尔盖·巴图诺夫；马修·博特维尼克；Wierstra，Daan和Lillicrap，Timothy，2016年，“带记忆增强神经网络的单点学习”，2016年5月19日出版。
6 Boll Greve，拉斯穆斯；雅各布森（Jacobsen），埃米尔·朱尔（Emil Juul）和塞巴斯蒂安·里斯（Sebastian Risi）约会不详，“进化的神经图灵机”。没有列出发布者
除（也许）Boll Greve等人之外的所有文章。发表在康奈尔大学图书馆arXiv.org资料库：纽约伊萨卡。