Algorithm 结构化数据分类的递归神经网络算法

TL；DR

我需要帮助理解结构化数据分类的特定算法的某些部分。为此，我也愿意接受不同算法的建议。

大家好

我目前正在研究一个涉及结构化数据分类的系统（我不想透露更多信息），为此我使用了一个简单的结构反向传播（BPTS）算法。我计划在以后修改代码，使用GPU来提高速度，但目前我正在寻找比BPT更好的算法

我最近偶然发现了这篇论文->[1]，结果令我惊讶。我决定试一试，但我在理解算法的某些部分时遇到了一些困难，因为它的描述不是很清楚。我已经发电子邮件给一些作者要求澄清，但还没有收到他们的来信，所以，我非常感谢你们提供的任何见解

该算法的高级描述见第787页。在步骤1中，作者随机化网络权重，并“通过数据结构将每个节点的输入属性从前沿节点向前传播到根节点，从而获得根节点的输出”。我的理解是，步骤1从不重复，因为它是初始化步骤。我引用的第一部分指出，此处也会发生一次性激活。但是，训练数据集中的哪个项目用于网络的激活？这种激活真的应该只发生一次吗？例如，在我使用的BPTS算法中，对于训练数据集中的每个项目，一个新的神经网络——其拓扑结构取决于当前项目（数据结构）——被动态创建并激活。然后，误差反向传播，权值更新和保存，临时神经网络被破坏

另一件困扰我的事情是步骤3b。在那里，作者提到，他们使用方程（17）、（30）和（34）将参数{A，B，C，D}NT更新了一次。我的理解是NT表示训练数据集中的项目数。但是等式（17）、（30）和（34）已经包含了训练数据集中的所有项目，那么，求解它们（特别是）NT次有什么意义呢

还有一件事我没有弄清楚，他们的算法是如何准确地考虑到训练数据集中每个项目（可能）的不同结构的。我知道这在BPTS中是如何工作的（我在上面描述过），但我不清楚它如何与他们的算法一起工作

好了，现在就这些。如果有人知道这个算法可能会发生什么，我会非常有兴趣听到它（或者更确切地说，阅读它）。此外，如果您知道用于结构化数据分类的其他有前途的算法和/或网络体系结构（这里是否可以使用长-短期内存（LSTM）），请毫不犹豫地发布它们

提前感谢所有有用的输入

[1]