• ==================【DeepLearningBook_128.txt】================== NIPS 19 556 , Deng, J., Dong, W., So cher, R., Li, L.-J., Li, K., and F ei-F ei, L. (2009) . Image Net: A Large- Scale Hierar c hical Image Datab ase. In . CVPR 09 21 Deng, J., Berg, A. C., Li, K., and F ei-F ei, L. (2010a ). What do es classif ying more than 10,000 image catego ries tell us? In Pr o c e e dings of the 11th Eur op e an Confe r enc e on Comp uter Vision : Part V , ECCV ’10, pages 71–84, Berlin , Heidel b erg. Spring er-V erlag. 21 Deng, L. and Y u, D. (2014) . Deep learnin g – metho ds and applic ations . F ounda tions and T r ends in Signal Pr o c essing . 462 Deng, L., Seltze r, M., Y u, D., A cero, A., Moham ed, A., and Hinton , G. (2010b ). Binary co ding of sp eech sp ectrog rams using a deep auto-e nco der. In Inters p e e ch 2010 , Maku hari, Chiba , Japan . 23 Denil, M., Bazza ni, L., Laro chelle, H., and de F reitas, N. (2012) . Learni ng where to attend with deep archit ectures for image trac king. Neur al Comp utation , 24 (8), 2151–2 184. 367 Den ton, E., Chinta la, S., Szlam , A., and F ergus, R. (2015) . Deep genera tive image mo dels using a Laplac ian p yrami d of advers arial net w orks. . , , NIPS 703 704 720 Desjar dins, G. and Bengio , Y. (2008) . Empir ical ev aluatio n of con v olution al RBMs for vision . T echnic al Rep ort 1327, Dépar temen t d’Info rmatiq ue et de Reche rc he Op éra- tionne lle, Univ ersité de Mon tréal. 685 735 --- Page Break --- BIBLIOGRA PHY Desjar dins, G., C ourvill e, A. C., Be ngio, Y., V incent , P ., and Delall eau, O . (2010) . T emp ered Marko v chain Monte Carlo for trainin g of restric ted Boltzm ann machi nes. In Intern ationa l Con
  • fe r enc e on Artific ial Intel ligenc e and Statist ics , pages 145–15 2. , 605 616 Desjar dins, G., Courv ille, A., and Bengio , Y. (2011) . On tracki ng the partiti on functi on. In . NIPS’ 2011 631 Desjar dins, G., Simon y an, K., Pascan u, R., (2015) . Natu ral neural netw orks. In et al. A dvanc es in Neur al Inform ation Pr o c essing System s , pages 2062–2 070. 320 Devlin , J., Zbib, R., Huang , Z., Lamar , T., Sch w artz, R., and Makh oul, J. (2014) . F ast and robust neural net w ork joint mo dels for statist ical machi ne transla tion. In Pr o c. A CL’20 14 . 475 Devro y e, L. (2013) . Non-U niform R andom V ariate Gener ation . Spring erLink : Büche r. Spring er New Y ork. 696 DiCar lo, J. J. (2013) . Mec hanism s underl ying visual ob ject recogn ition: Huma ns vs. neuron s vs. mac hines. NIPS T utoria l. , 26 366 Dinh, L., Krueg er, D., and Bengio , Y. (2014) . NICE : Non-li near indep enden t comp onen ts estima tion. arXiv: 1410.8 516. 495 Donah ue, J., Hendr ic ks, L. A., Guada rrama , S., Rohrb ac h, M., V enugo palan, S., Saenk o, K., and Darrel l, T. (2014) . Long- term recurr ent conv olution al net works for visual recogn ition and descrip tion. arXiv: 1411.4 389. 102 Donoh o, D. L. and Grime s, C. (2003) . Hessia n eigenm aps: new lo cally linear embed ding tec hnique s for high-d imens ional data. T echnic al Rep ort 2003-0 8, De pt. Statist ics, Stanfo rd Univ ersit y . , 163 521 Doso vitskiy , A., Spring enber g, J. T., and Brox, T. (2015) . Learni ng to genera te chairs with con v olution al neural netw orks. In Pr o c e e dings of the IEEE Confe r enc e on Comp uter Vision and Patter n R e c o gnition , pages 1538–1 546. , , 697 706 707 Do y a, K. (1993) . Bifurc ations of recurr ent neural netw orks in gradie nt descen t learnin g. IEEE T r ansact ions on Neur al Netwo rks , , 75–80. , 1 402 405 Dreyfu s, S. E. (1962) . The n umeric al sol ution of v ariatio nal p roblem s. Journ al of Mathe matic al Analy sis and Applic ations , , 30–45. 5(1) 224 Dreyfu s, S. E. (1973) . The compu tation al solutio n of optim al contro l proble ms with time lag. IEEE T r ansact ions on A utoma tic Contr ol , , 383–38 5. 18(4) 224 Druc k er, H. and LeCun , Y. (1992) . Impro ving genera lisatio n p erform ance using double bac k-prop agatio n. IEEE T r ansact ions on Neur al Netwo rks , (6), 991–99 7. 3 271 736 --- Page Break --- BIBLIOGRA PHY Duc hi, J., Hazan , E., and Singer , Y. (2011) . Ada ptiv e subgra dient metho ds for online learnin g and stocha stic optim ization . Journ al of Machi ne L e arning R ese ar ch . 307 Dudik , M., Langfo rd, J., and Li, L. (2011) . Doubl y robust p olicy ev aluatio n and learnin g. In Pr o c e e dings of the 28th Intern ationa l Confe r enc e on Machi ne le arning , ICML ’11. 484 Dugas , C., Bengio , Y., Bélisle , F., and Nadea u, C. (2001) . Inco rp oratin g second -order functi onal kno wledge for b etter option pricing . In T. Leen, T. Diette ric h, and V. T resp, editor s, A dvanc es in Neur al Inf ormat ion Pr o c essing System s 13 (NIPS ’00) , page s 472–47 8. MIT Press. , 68 196 Dziug aite, G. K., Roy , D. M., and Ghahr amani , Z. (2015) . T rainin g genera tiv e neural net- w orks via maxim um mean discrep ancy optim ization . arXiv pr eprint arXiv: 1505.0 3906 . 705 El Hihi, S. and Bengio , Y. (1996) . Hierar chical recurr ent neural netw orks for long-t erm dep enden cies. In . , NIPS’ 1995 400 409 Elk ahky , A. M., Song, Y., and He, X. (2015) . A multi- view deep learnin g approa c h for cross domai n user mo deling in recom menda tion system s. In Pr o c e e dings of the 24th Intern ationa l Confe r enc e on W orld Wide W eb , pages 278–28 8. 482 Elman , J. L. (1993) . Learni ng and develo pmen t in neural netw orks: The imp ortanc e of startin g small. Co gnition , , 781–79 9. 48 328 Erhan , D., Manza gol, P .-A., Bengio , Y., Bengio , S., and Vincen t, P . (2009) . The difficu lty of trainin g deep archit ectures and the effect of unsup ervised pre-tra ining. In Pr o c e e dings of AIST A TS’20 09 . 200 Erhan , D., Bengio , Y., Courv ille, A., Manza gol, P ., Vincen t, P ., and Bengio , S. (2010) . Wh y do es unsup ervised pre-tra ining help deep learnin g? J. Machi ne L e arning R es. 531 535 536 , , F ahlma n, S. E., Hin ton, G. E., and Sejnow ski, T. J. (1983) . Massiv ely parall el archit ectures for AI : NETL , thistle , and Boltzm ann mac hines. In Pr o c e e dings of the N ationa l Confe r enc e on Artific ial Intel ligenc e AAAI -83 . , 572 656 F ang, H., Gupta , S., Iandol a, F., Sriv asta v a, R., Deng, L., Dollár , P ., Gao, J., He, X., Mitc hell, M., Platt, J. C., Zitnic k, C. L., and Zw eig, G. (2015) . F rom captio ns to visual concep ts and bac k. arXiv: 1411.4 952. 102 F arab et, C., LeCun , Y., Kavuk cuoglu , K., Culurc iello, E., Martin i, B., Akselr o d, P ., and T alay , S. (2011) . Large- scale FPGA -based con v olution al net w orks. In R. Bekke rman, M. Bilenk o, and J. Langfo rd, ed itors, Sc aling up Machi ne L e arning : Par al lel and Distrib ute d Appr o aches . Camb ridge Univ ersit y Press. 525 737 --- Page Break --- BIBLIOGRA PHY F arab et, C., Coupr ie, C., Na jman, L., and LeCun , Y. (2013) . Learni ng hierar chical featur es for scene labelin g. IEEE T r ansact ions on Patter n Analy sis and Machi ne Intel ligenc e , 35 (8), 1915–1 929. , , 23 200 359 F ei-F ei, L., F ergus, R., and P erona, P . (2006) . One-sh ot learnin g of ob ject catego ries. IEEE T r ansact ions on Patter n Analy sis and Machi ne Intel ligenc e , 28 (4), 594–61 1. 540 Finn, C., T an, X. Y., Duan, Y., Darrel l, T., Levine , S., and Abb eel, P . (2015) . Learni ng visual featur e spaces for rob otic manip ulatio n with deep spatia l auto encode rs. arXiv pr eprint arXiv: 1509.0 6113 . 25 Fisher , R. A. (1936) . The use of multip le measu remen ts in taxono mic proble ms. A nnals of Eugen ics , , 179–18 8. , 7 21 105 Földiá k, P . (1989) . Adapt iv e netw ork for optim al linear featur e extrac tion. In Intern ationa l Joint Confe r enc e on Neur al Netwo rks (IJCN N) , volum e 1, pages 401–40 5, W ashing ton 1989. IEEE, New Y ork. 496 F ranziu s, M., Spreke ler, H., and Wisk ott, L. (2007) . Slown ess and sparse ness lead to place, head-d irectio n, and spatia l-view cells. 497 F ranziu s, M., Wilb ert, N., and Wisko tt, L. (2008) . Inv ariant ob ject recogn ition with slow featur e analys is. In Artific ial Neur al Netwo rks-IC ANN 2008 , pages 961–97 0. Spring er. 498 F rascon i, P ., Gori, M., and Sp erduti , A. (1997) . On the efficien t classifi cation of data structu res by neural netw orks. In Pr o c. Int. Joint Conf. on Artific ial Intel ligenc e . , 400 402 F rascon i, P ., Gor i, M., and Sp erduti , A. (1998) .
  • NIPS 19 556, Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Image Net: A Large-Scale Hierarchical Image Database.
    • 固定搭配:“large-scale”，含义：“大规模的”；“hierarchical”，含义：“分层的，分级的”。
    • 句子分析:这是一个文献引用信息，介绍了作者和文献题目。“Image Net”是标题，“A Large-Scale Hierarchical Image Database”是对其的进一步说明。
    • 翻译:《神经信息处理系统大会（NIPS）19 556，邓（J. Deng）、董（W. Dong）、索切尔（R. Socher）、李（L.-J. Li）、李（K. Li）和李菲菲（L. Fei-Fei）（2009 年）。《图像网：一个大规模分层图像数据库》》
    • 单词分析:
      • hierarchical:形容词，源自希腊语“hierarkhes”（高级祭司），词义：分层的，分级的。
        • 记忆方法:“hier”可联想“hierarchy”（等级制度），“archical”表示与等级相关，整体表示分层分级的。
        • 形近词:hierarchy（等级制度）、hieratic（僧侣的，神圣的）。
        • 发音解析:
          • 音节分解:hi + er + ar + chi + cal /ˌhaɪəˈrɑːkɪkl/，重音在第二音节
          • 规则:hi → /haɪ/， “hi” 发 /haɪ/ 音，其中 “h” 发 /h/ 音，“i” 发长元音 /aɪ/。
          • 规则:er → /ə(r)/， “er” 发 /ə(r)/ 音，其中 “e” 发短元音 /ə/，“r” 发音。
          • 规则:ar → /ɑː(r)/， “ar” 发 /ɑː(r)/ 音，其中 “a” 发长元音 /ɑː/，“r” 发音。
          • 规则:chi → /kɪ/， “chi” 发 /kɪ/ 音，其中 “ch” 发 /k/ 音，“i” 发短元音 /ɪ/。
          • 规则:cal → /kl/， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发音。
  • CVPR 09 21 Deng, J., Berg, A. C., Li, K., and Fei-Fei, L. (2010a). What does classifying more than 10,000 image categories tell us? In Proceedings of the 11th European Conference on Computer Vision: Part V, ECCV ’10, pages 71–84, Berlin, Heidelberg. Springer-Verlag.
    • 固定搭配:“Proceedings of...”，含义：“……的会议记录，……的论文集”；“classify... into...” 这里虽未完整呈现，但 “classifying” 涉及分类的意思。
    • 句子分析:这是文献引用信息，包含作者、文献问题以及文献所在会议等信息。“What does classifying more than 10,000 image categories tell us?” 是疑问句，询问对一万多个图像类别进行分类能告诉我们什么。
    • 翻译:《计算机视觉与模式识别会议（CVPR）09 21，邓（J. Deng）、伯格（A. C. Berg）、李（K. Li）和李菲菲（L. Fei-Fei）（2010a 年）。《对一万多个图像类别进行分类能告诉我们什么？》载于《第 11 届欧洲计算机视觉会议论文集：第五部分，ECCV ’10》，第 71 - 84 页，柏林，海德堡。施普林格出版社》
    • 单词分析:
      • classifying:动词现在分词，词源来自拉丁语“classis”（阶级，类别），词义：分类，归类。
        • 记忆方法:“class”（类别）+ “-ify”（使……化）→ 使成为类别 → 分类。
        • 形近词:classify（动词原形）、classification（分类，类别）。
        • 发音解析:
          • 音节分解:class + i + fy + ing /ˈklæsɪfaɪɪŋ/，重音在第一音节
          • 规则:class → /klɑːs/， “class” 发 /klɑːs/ 音，其中 “c” 发 /k/ 音，“l” 发 /l/ 音，“a” 发长元音 /ɑː/，“s” 发 /s/ 音。
          • 规则:i → /ɪ/， “i” 发短元音 /ɪ/。
          • 规则:fy → /faɪ/， “fy” 发 /faɪ/ 音，其中 “f” 发 /f/ 音，“y” 发长元音 /aɪ/。
          • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“ng” 发 /ŋ/ 音。
    • categories:名词复数，词源来自希腊语“kategoria”（指控，类别），词义：类别，范畴。
      • 记忆方法:“cate-” 可联想 “category” 本身，“-gory” 辅助记忆，整体表示类别。
      • 形近词:category（单数形式）、categorize（动词，分类）。
      • 发音解析:
        • 音节分解:cat + e + go + ries /ˈkætəɡɔːriz/，重音在第一音节
        • 规则:cat → /kæt/， “cat” 发 /kæt/ 音，其中 “c” 发 /k/ 音，“a” 发短元音 /æ/，“t” 发 /t/ 音。
        • 规则:e → /ə/， “e” 发短元音 /ə/。
        • 规则:go → /ɡəʊ/， “go” 发 /ɡəʊ/ 音，其中 “g” 发 /ɡ/ 音，“o” 发长元音 /əʊ/。
        • 规则:ries → /riz/， “ries” 发 /riz/ 音，其中 “r” 发 /r/ 音，“i” 发长元音 /iː/，“e” 不发音，“s” 发 /z/ 音。
  • Deng, L. and Yu, D. (2014). Deep learning – methods and applications. Foundations and Trends in Signal Processing.
    • 固定搭配:“deep learning”，含义：“深度学习”；“Foundations and Trends in...”，含义：“……的基础与趋势”。
    • 句子分析:这是文献引用信息，介绍了作者和文献题目。“Deep learning – methods and applications” 是文献主题。
    • 翻译:《邓（L. Deng）和于（D. Yu）（2014 年）。《深度学习——方法与应用》。《信号处理的基础与趋势》》
  • Deng, L., Seltzer, M., Yu, D., Acero, A., Mohamed, A., and Hinton, G. (2010b). Binary coding of speech spectrograms using a deep auto-encoder. In Interspeech 2010, Makuhari, Chiba, Japan.
    • 固定搭配:“binary coding”，含义：“二进制编码”；“speech spectrograms”，含义：“语音频谱图”；“deep auto - encoder”，含义：“深度自动编码器”。
    • 句子分析:这是文献引用信息，介绍了作者、文献题目以及文献所在会议等信息。“Binary coding of speech spectrograms using a deep auto - encoder” 是文献主题。
    • 翻译:《邓（L. Deng）、塞尔策（M. Seltzer）、于（D. Yu）、阿塞罗（A. Acero）、穆罕默德（A. Mohamed）和辛顿（G. Hinton）（2010b 年）。《使用深度自动编码器对语音频谱图进行二进制编码》。载于 2010 年国际语音通信会议，日本千叶幕张》
    • 单词分析:
      • spectrograms:名词复数，词源来自 “spectro-”（光谱）+ “-gram”（图），词义：频谱图。
        • 记忆方法:“spectro-” 表示光谱，“-gram” 表示图，合起来就是频谱图。
        • 形近词:spectrogram（单数形式）、spectrum（光谱）。
        • 发音解析:
          • 音节分解:spec + tro + gram + s /ˈspektrəɡræmz/，重音在第一音节
          • 规则:spec → /spek/， “spec” 发 /spek/ 音，其中 “s” 发 /s/ 音，“p” 发 /p/ 音，“e” 发短元音 /e/，“c” 发 /k/ 音。
          • 规则:tro → /trəʊ/， “tro” 发 /trəʊ/ 音，其中 “t” 发 /t/ 音，“r” 发 /r/ 音，“o” 发长元音 /əʊ/。
          • 规则:gram → /ɡræm/， “gram” 发 /ɡræm/ 音，其中 “g” 发 /ɡ/ 音，“r” 发 /r/ 音，“a” 发短元音 /æ/，“m” 发 /m/ 音。
          • 规则:s → /z/， “s” 发 /z/ 音。
    • auto - encoder:名词，“auto-” 表示自动，“encoder” 表示编码器，词义：自动编码器。
      • 记忆方法:“auto-”（自动）+ “encoder”（编码器）→ 自动编码器。
      • 形近词:encoder（编码器）、decoder（解码器）。
      • 发音解析:
        • 音节分解:au + to + en + co + der /ˌɔːtəʊɪnˈkəʊdə(r)/，重音在倒数第二音节
        • 规则:au → /ɔː/， “au” 发 /ɔː/ 音，其中 “a” 发长元音 /ɔː/，“u” 不发音。
        • 规则:to → /təʊ/， “to” 发 /təʊ/ 音，其中 “t” 发 /t/ 音，“o” 发长元音 /əʊ/。
        • 规则:en → /ɪn/， “en” 发 /ɪn/ 音，其中 “e” 发短元音 /ɪ/，“n” 发鼻音。
        • 规则:co → /kəʊ/， “co” 发 /kəʊ/ 音，其中 “c” 发 /k/ 音，“o” 发长元音 /əʊ/。
        • 规则:der → /də(r)/， “der” 发 /də(r)/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ə/，“r” 发音。
  • Denil, M., Bazza ni, L., Larochelle, H., and de Freitas, N. (2012). Learning where to attend with deep architectures for image tracking. Neural Computation, 24 (8), 2151–2184.
    • 固定搭配:“deep architectures”，含义：“深度架构”；“image tracking”，含义：“图像跟踪”。
    • 句子分析:这是文献引用信息，介绍了作者、文献题目以及文献所在期刊等信息。“Learning where to attend with deep architectures for image tracking” 是文献主题。
    • 翻译:《德尼尔（M. Denil）、巴扎尼（L. Bazza ni）、拉罗谢尔（H. Larochelle）和德弗雷塔斯（N. de Freitas）（2012 年）。《使用深度架构进行图像跟踪时学习关注位置》。《神经计算》，第 24 卷第 8 期，第 2151 - 2184 页》
    • 单词分析:
      • architectures:名词复数，词源来自希腊语“arkhitekton”（建筑师），词义：架构，结构。
        • 记忆方法:“archi-”（主要的）+ “tect”（建造）+ “-ure”（名词后缀）→ 主要的建造物 → 架构。
        • 形近词:architecture（单数形式）、architect（建筑师）。
        • 发音解析:
          • 音节分解:ar + chi + tec + ture + s /ˈɑːkɪtektʃəz/，重音在第一音节
          • 规则:ar → /ɑː/， “ar” 发 /ɑː/ 音，其中 “a” 发长元音 /ɑː/，“r” 发音。
          • 规则:chi → /kɪ/， “chi” 发 /kɪ/ 音，其中 “ch” 发 /k/ 音，“i” 发短元音 /ɪ/。
          • 规则:tec → /tek/， “tec” 发 /tek/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /e/，“c” 发 /k/ 音。
          • 规则:ture → /tʃə(r)/， “ture” 发 /tʃə(r)/ 音，其中 “t” 发 /t/ 音，“u” 不发音，“re” 发 /ʃə(r)/ 音。
          • 规则:s → /z/， “s” 发 /z/ 音。
  • Denton, E., Chintala, S., Szlam, A., and Fergus, R. (2015). Deep generative image models using a Laplacian pyramid of adversarial networks.
    • 固定搭配:“deep generative image models”，含义：“深度生成图像模型”；“Laplacian pyramid”，含义：“拉普拉斯金字塔”；“adversarial networks”，含义：“对抗网络”。
    • 句子分析:这是文献引用信息，介绍了作者和文献题目。“Deep generative image models using a Laplacian pyramid of adversarial networks” 是文献主题。
    • 翻译:《丹顿（E. Denton）、钦塔拉（S. Chintala）、斯拉姆（A. Szlam）和弗格斯（R. Fergus）（2015 年）。《使用对抗网络的拉普拉斯金字塔的深度生成图像模型》》
    • 单词分析:
      • generative:形容词，词源来自拉丁语“generare”（产生，生育），词义：生成的，有生成能力的。
        • 记忆方法:“generate”（生成）+ “-ive”（形容词后缀）→ 生成的。
        • 形近词:generate（动词，生成）、generation（一代，产生）。
        • 发音解析:
          • 音节分解:gen + er + a + tive /ˈdʒenərətɪv/，重音在第一音节
          • 规则:gen → /dʒen/， “gen” 发 /dʒen/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /e/，“n” 发鼻音。
          • 规则:er → /ə(r)/， “er” 发 /ə(r)/ 音，其中 “e” 发短元音 /ə/，“r” 发音。
          • 规则:a → /ə/， “a” 发短元音 /ə/。
          • 规则:tive → /tɪv/， “tive” 发 /tɪv/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/，“v” 发 /v/ 音。
    • Laplacian:形容词，源自数学家拉普拉斯（Laplace）的名字，词义：拉普拉斯的。
      • 记忆方法:记住拉普拉斯这个名字，“-ian” 表示与……相关，就是拉普拉斯的。
      • 形近词:Laplace（拉普拉斯）。
      • 发音解析:
        • 音节分解:La + pla + cian /ləˈpleɪʃn/，重音在第二音节
        • 规则:La → /lə/， “La” 发 /lə/ 音，其中 “L” 发 /l/ 音，“a” 发短元音 /ə/。
        • 规则:pla → /pleɪ/， “pla” 发 /pleɪ/ 音，其中 “p” 发 /p/ 音，“l” 发 /l/ 音，“a” 发长元音 /eɪ/。
        • 规则:cian → /ʃn/， “cian” 发 /ʃn/ 音，其中 “c” 发 /ʃ/ 音，“i” 不发音，“an” 发 /n/ 音。
    • adversarial:形容词，词源来自拉丁语“adversarius”（对手），词义：对抗的，敌对的。
      • 记忆方法:“ad-”（向，对着）+ “vers”（转）+ “-arial”（形容词后缀）→ 转向对方 → 对抗的。
      • 形近词:adversary（对手）、adverse（不利的）。
      • 发音解析:
        • 音节分解:ad + ver + sar + ial /ˌædvəˈseəriəl/，重音在倒数第二音节
        • 规则:ad → /æd/， “ad” 发 /æd/ 音，其中 “a” 发短元音 /æ/，“d” 发 /d/ 音。
        • 规则:ver → /və(r)/， “ver” 发 /və(r)/ 音，其中 “v” 发 /v/ 音，“e” 发短元音 /ə/，“r” 发音。
        • 规则:sar → /seə(r)/， “sar” 发 /seə(r)/ 音，其中 “s” 发 /s/ 音，“a” 发长元音 /eə/，“r” 发音。
        • 规则:ial → /iəl/， “ial” 发 /iəl/ 音，其中 “i” 发长元音 /iː/，“a” 不发音，“l” 发音。
  • Desjardins, G. and Bengio, Y. (2008). Empirical evaluation of convolutional RBMs for vision. Technical Report 1327, Département d’Informatique et de Recherche Opérationnelle, Université de Montréal.
    • 固定搭配:“empirical evaluation”，含义：“实证评估”；“convolutional RBMs”，含义：“卷积受限玻尔兹曼机”。
    • 句子分析:这是文献引用信息，介绍了作者、文献题目以及文献所在机构等信息。“Empirical evaluation of convolutional RBMs for vision” 是文献主题。
    • 翻译:《德雅尔丹（G. Desjardins）和本吉奥（Y. Bengio）（2008 年）。《用于视觉的卷积受限玻尔兹曼机的实证评估》。技术报告 1327，蒙特利尔大学信息学与运筹学系》
    • 单词分析:
      • empirical:形容词，词源来自希腊语“empeiria”（经验），词义：实证的，经验主义的。
        • 记忆方法:“em-”（进入）+ “pir”（尝试）+ “-ical”（形容词后缀）→ 进入尝试 → 从经验中来的 → 实证的。
        • 形近词:empiricism（经验主义）、empiricist（经验主义者）。
        • 发音解析:
          • 音节分解:em + pir + i + cal /ɪmˈpɪrɪkl/，重音在第二音节
          • 规则:em → /ɪm/， “em” 发 /ɪm/ 音，其中 “e” 发短元音 /ɪ/，“m” 发鼻音。
          • 规则:pir → /pɪr/， “pir” 发 /pɪr/ 音，其中 “p” 发 /p/ 音，“i” 发短元音 /ɪ/，“r” 发音。
          • 规则:i → /ɪ/， “i” 发短元音 /ɪ/。
          • 规则:cal → /kl/， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发音。
    • convolutional:形容词，词源来自拉丁语“convolvere”（卷，缠绕），词义：卷积的。
      • 记忆方法:“con-”（一起）+ “volve”（卷）+ “-tional”（形容词后缀）→ 一起卷 → 卷积的。
      • 形近词:convolve（动词，卷，缠绕）、convolution（卷积）。
      • 发音解析:
        • 音节分解:con + vol + u + tion + al /ˌkɒnvəˈluːʃənl/，重音在倒数第二音节
        • 规则:con → /kɒn/， “con” 发 /kɒn/ 音，其中 “c” 发 /k/ 音，“o” 发短元音 /ɒ/，“n” 发鼻音。
        • 规则:vol → /vɒl/， “vol” 发 /vɒl/ 音，其中 “v” 发 /v/ 音，“o” 发短元音 /ɒ/，“l” 发 /l/ 音。
        • 规则:u → /uː/， “u” 发长元音 /uː/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 发 /ʃ/ 音，“i” 不发音，“on” 发 /n/ 音。
        • 规则:al → /l/， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发音。
  • Desjardins, G., Courville, A. C., Bengio, Y., Vincent, P., and Delalleau, O. (2010). Tempered Markov chain Monte Carlo for training of restricted Boltzmann machines. In International Conference on Artificial Intelligence and Statistics, pages 145–152.
    • 固定搭配:“Markov chain Monte Carlo”，含义：“马尔可夫链蒙特卡罗方法”；“restricted Boltzmann machines”，含义：“受限玻尔兹曼机”。
    • 句子分析:这是文献引用信息，介绍了作者、文献题目以及文献所在会议等信息。“Tempered Markov chain Monte Carlo for training of restricted Boltzmann machines” 是文献主题。
    • 翻译:《德雅尔丹（G. Desjardins）、库尔维尔（A. C. Courville）、本吉奥（Y. Bengio）、文森特（P. Vincent）和德拉洛（O. Delalleau）（2010 年）。《用于训练受限玻尔兹曼机的回火马尔可夫链蒙特卡罗方法》。载于国际人工智能与统计会议，第 145 - 152 页》
    • 单词分析:
      • tempered:形容词，词源来自拉丁语“temperare”（调和，调节），词义：回火的，调节的。
        • 记忆方法:“temper”（调节）+ “-ed”（形容词后缀）→ 经过调节的 → 回火的。
        • 形近词:temper（动词，调节）、temperament（气质，性情）。
        • 发音解析:
          • 音节分解:tem + per + ed /ˈtempəd/，重音在第一音节
          • 规则:tem → /tem/， “tem” 发 /tem/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /e/，“m” 发 /m/ 音。
          • 规则:per → /pə(r)/， “per” 发 /pə(r)/ 音，其中 “p” 发 /p/ 音，“e” 发短元音 /ə/，“r” 发音。
          • 规则:ed → /əd/， “ed” 发 /əd/ 音，其中 “e” 发短元音 /ə/，“d” 发 /d/ 音。
    • Markov:名词，源自俄罗斯数学家马尔可夫（Markov）的名字，词义：马尔可夫（用于相关概念）。
      • 记忆方法:记住马尔可夫这个名字。
      • 形近词:无。
      • 发音解析:
        • 音节分解:Mar + kov /ˈmɑːkɒv/，重音在第一音节
        • 规则:Mar → /mɑː/， “Mar” 发 /mɑː/ 音，其中 “M” 发 /m/ 音，“a” 发长元音 /ɑː/，“r” 发音。
        • 规则:kov → /kɒv/， “kov” 发 /kɒv/ 音，其中 “k” 发 /k/ 音，“o” 发短元音 /ɒ/，“v” 发 /v/ 音。
    • Monte Carlo:名词，源自摩纳哥公国的一个城市蒙特卡洛（Monte Carlo），词义：蒙特卡罗（用于相关方法）。
      • 记忆方法:记住蒙特卡洛这个地名。
      • 形近词:无。
      • 发音解析:
        • 音节分解:Mon + te + Car + lo /ˌmɒntiˈkɑːləʊ/，重音在倒数第二音节
        • 规则:Mon → /mɒn/， “Mon” 发 /mɒn/ 音，其中 “M” 发 /m/ 音，“o” 发短元音 /ɒ/，“n” 发鼻音。
        • 规则:te → /tə/， “te” 发 /tə/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /ə/。
        • 规则:Car → /kɑː(r)/， “Car” 发 /kɑː(r)/ 音，其中 “C” 发 /k/ 音，“a” 发长元音 /ɑː/，“r” 发音。
        • 规则:lo → /ləʊ/， “lo” 发 /ləʊ/ 音，其中 “l” 发 /l/ 音，“o” 发长元音 /əʊ/。
    • restricted:形容词，词源来自拉丁语“restringere”（限制），词义：受限的，受约束的。
      • 记忆方法:“re-”（回，反）+ “strict”（拉紧）+ “-ed”（形容词后缀）→ 往回拉紧 → 受限的。
      • 形近词:restrict（动词，限制）、restriction（限制，约束）。
      • 发音解析:
        • 音节分解:re + strict + ed /rɪˈstrɪktɪd/，重音在第二音节
        • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:strict → /strɪkt/， “strict” 发 /strɪkt/ 音，其中 “s” 发 /s/ 音，“t” 发 /t/ 音，“r” 发 /r/ 音，“i” 发短元音 /ɪ/，“c” 发 /k/ 音。
        • 规则:ed → /ɪd/， “ed” 发 /ɪd/ 音，其中 “e” 发短元音 /ɪ/，“d” 发 /d/ 音。
    • Boltzmann:名词，源自奥地利物理学家玻尔兹曼（Boltzmann）的名字，词义：玻尔兹曼（用于相关概念）。
      • 记忆方法:记住玻尔兹曼这个名字。
      • 形近词:无。
      • 发音解析:
        • 音节分解:Bol + tz + mann /ˈbəʊltzmən/，重音在第一音节
        • 规则:Bol → /bəʊl/， “Bol” 发 /bəʊl/ 音，其中 “B” 发 /b/ 音，“o” 发长元音 /əʊ/，“l” 发 /l/ 音。
        • 规则:tz → /ts/， “tz” 发 /ts/ 音。
        • 规则:mann → /mən/， “mann” 发 /mən/ 音，其中 “m” 发 /m/ 音，“a” 发短元音 /ə/，“n” 发鼻音。
  • Desjardins, G., Courville, A., and Bengio, Y. (2011). On tracking the partition function. In.
    • 固定搭配:“partition function”，含义：“配分函数”。
    • 句子分析:这是文献引用信息，介绍了作者和文献题目。“On tracking the partition function” 是文献主题。
    • 翻译:《德雅尔丹（G. Desjardins）、库尔维尔（A. Courville）和本吉奥（Y. Bengio）（2011 年）。《关于跟踪配分函数》。在……》
    • 单词分析:
      • partition:名词，词源来自拉丁语“partire”（分开），词义：划分，分割；配分函数（在特定领域）。
        • 记忆方法:“part”（部分）+ “-ition”（名词后缀）→ 分成部分 → 划分。
        • 形近词:part（部分）、participate（参与）。
        • 发音解析:
          • 音节分解:par + ti + tion /pɑːˈtɪʃn/，重音在第二音节
          • 规则:par → /pɑː(r)/， “par” 发 /pɑː(r)/ 音，其中 “p” 发 /p/ 音，“a” 发长元音 /ɑː/，“r” 发音。
          • 规则:ti → /tɪ/， “ti” 发 /tɪ/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 发 /ʃ/ 音，“i” 不发音，“on” 发 /n/ 音。

  • NIPS’ 2011 631 Desjar dins, G., Simon y an, K., Pascan u, R., (2015) . Natural neural netw orks. In et al. A dvanc es in Neur al Inform ation Pr o c essing System s , pages 2062–2 070.
    • 固定搭配:“et al.” 是拉丁语短语，意为 “以及其他人；等人”。
    • 句子分析:这是文献引用格式，整体结构是作者信息、年份、文章标题、所在出版物及页码等。“Natural neural networks” 是文章标题，“Advances in Neural Information Processing Systems” 是出版物名称。
    • 翻译:《自然神经网络》，作者：Desjar dins, G.、Simon y an, K.、Pascan u, R. 等，发表于《神经信息处理系统进展》2015年，第2062 - 2070页。
    • 单词分析:
      • neural:形容词，词源来自拉丁语 “nervus”（神经），词义：神经的；神经系统的。
        • 记忆方法:联想 “neur-”（神经）+ “-al”（形容词后缀）→ 神经的。
        • 形近词:neural/neuron（神经元）、neurotic（神经质的）。
        • 发音解析:
          • 音节分解:neu + ral /ˈnʊrəl/，重音在第一音节
          • 规则:neu → /nʊ/， “neu” 发 /nʊ/ 音，其中 “n” 发 /n/ 音，“eu” 发 /ʊ/ 音。
          • 规则:ral → /rəl/， “ral” 发 /rəl/ 音，其中 “r” 发 /r/ 音，“a” 发短元音 /ə/，“l” 发 /l/ 音。
    • information:名词，词源来自拉丁语 “informatio”（通知；教导），词义：信息；消息。
      • 记忆方法:“in-”（进入）+ “form”（形成）+ “-ation”（名词后缀）→ 进入形成的东西 → 信息。
      • 形近词:information/inform（通知）、formation（形成）。
      • 发音解析:
        • 音节分解:in + for + ma + tion /ˌɪnfərˈmeɪʃn/，重音在第二音节
        • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音。
        • 规则:for → /fɔːr/， “for” 发 /fɔːr/ 音，其中 “f” 发 /f/ 音，“o” 发长元音 /ɔː/，“r” 发 /r/ 音。
        • 规则:ma → /mə/， “ma” 发 /mə/ 音，其中 “m” 发 /m/ 音，“a” 发短元音 /ə/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 不发音，“i” 发短元音 /ɪ/，“o” 不发音，“n” 发鼻音。

  • 320 Devlin , J., Zbib, R., Huang , Z., Lamar , T., Sch w artz, R., and Makh oul, J. (2014) . F ast and robust neural net w ork joint mo dels for statist ical machi ne transla tion. In Pr o c. A CL’20 14 .
    • 固定搭配:“Proc.” 是 “Proceedings” 的缩写，意为 “会议录；论文集”。
    • 句子分析:同样是文献引用格式，介绍了作者、年份、文章标题以及文章所在会议论文集。“Fast and robust neural network joint models for statistical machine translation” 是文章标题。
    • 翻译:《用于统计机器翻译的快速且稳健的神经网络联合模型》，作者：Devlin, J.、Zbib, R.、Huang, Z. 等，发表于《ACL 2014会议录》。
    • 单词分析:
      • robust:形容词，词源来自拉丁语 “robustus”（强壮的），词义：强健的；稳健的。
        • 记忆方法:联想 “rob”（抢劫）+ “-ust”（形容词后缀）→ 能去抢劫的 → 强健的。
        • 形近词:robust/robbery（抢劫）、robustness（稳健性）。
        • 发音解析:
          • 音节分解:ro + bust /rəˈbʌst/，重音在第二音节
          • 规则:ro → /rə/， “ro” 发 /rə/ 音，其中 “r” 发 /r/ 音，“o” 发短元音 /ə/。
          • 规则:bust → /bʌst/， “bust” 发 /bʌst/ 音，其中 “b” 发 /b/ 音，“u” 发短元音 /ʌ/，“s” 发 /s/ 音，“t” 发 /t/ 音。
    • statistical:形容词，词源来自 “statistics”（统计学），词义：统计的；统计学的。
      • 记忆方法:“statistic”（统计数据）+ “-al”（形容词后缀）→ 统计的。
      • 形近词:statistical/statistic（统计数据）、statistician（统计学家）。
      • 发音解析:
        • 音节分解:sta + tis + ti + cal /stəˈtɪstɪkl/，重音在第二音节
        • 规则:sta → /stə/， “sta” 发 /stə/ 音，其中 “s” 发 /s/ 音，“t” 发 /t/ 音，“a” 发短元音 /ə/。
        • 规则:tis → /tɪs/， “tis” 发 /tɪs/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/，“s” 发 /s/ 音。
        • 规则:ti → /tɪ/， “ti” 发 /tɪ/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
        • 规则:cal → /kl/， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发 /l/ 音。
  • 475 Devro y e, L. (2013) . Non-U niform R andom V ariate Gener ation . Spring erLink : Büche r. Spring er New Y ork.
    • 句子分析:文献引用，包含作者、年份、文章标题和出版社等信息。“Non-Uniform Random Variate Generation” 是文章标题。
    • 翻译:《非均匀随机变量生成》，作者：Devro y e, L.，2013年，施普林格出版社纽约分社。
    • 单词分析:
      • uniform:形容词，词源来自拉丁语 “uniformis”（单一形式的），词义：统一的；一致的。
        • 记忆方法:“uni-”（单一）+ “form”（形式）→ 单一形式的 → 统一的。
        • 形近词:uniform/unify（统一）、uniformity（一致性）。
        • 发音解析:
          • 音节分解:u + ni + form /ˈjuːnɪfɔːm/，重音在第一音节
          • 规则:u → /juː/， “u” 发 /juː/ 音，其中 “u” 发长元音 /juː/。
          • 规则:ni → /nɪ/， “ni” 发 /nɪ/ 音，其中 “n” 发 /n/ 音，“i” 发短元音 /ɪ/。
          • 规则:form → /fɔːm/， “form” 发 /fɔːm/ 音，其中 “f” 发 /f/ 音，“o” 发长元音 /ɔː/，“r” 发 /r/ 音，“m” 发 /m/ 音。
    • variate:名词，词源来自 “vary”（变化），词义：变量；随机变量。
      • 记忆方法:“vary”（变化）+ “-ate”（名词后缀）→ 变化的东西 → 变量。
      • 形近词:variate/vary（变化）、variation（变化）。
      • 发音解析:
        • 音节分解:va + ri + ate /ˈveəriət/，重音在第一音节
        • 规则:va → /veɪ/， “va” 发 /veɪ/ 音，其中 “v” 发 /v/ 音，“a” 发长元音 /eɪ/。
        • 规则:ri → /rɪ/， “ri” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“i” 发短元音 /ɪ/。
        • 规则:ate → /ət/， “ate” 发 /ət/ 音，其中 “a” 发短元音 /ə/，“t” 发 /t/ 音。
  • 696 DiCar lo, J. J. (2013) . Mec hanism s underl ying visual ob ject recogn ition: Huma ns vs. neuron s vs. mac hines. NIPS T utoria l.
    • 句子分析:文献引用，给出作者、年份、文章标题等。“Mechanisms underlying visual object recognition: Humans vs. neurons vs. machines” 是文章标题。
    • 翻译:《视觉对象识别的潜在机制：人类、神经元与机器的对比》，作者：DiCar lo, J. J.，2013年，NIPS教程。
    • 单词分析:
      • mechanism:名词，词源来自希腊语 “mekhane”（机器；装置），词义：机制；原理。
        • 记忆方法:联想 “mechan-”（机器）+ “-ism”（名词后缀）→ 机器的原理 → 机制。
        • 形近词:mechanism/mechanical（机械的）、mechanic（机械师）。
        • 发音解析:
          • 音节分解:me + chan + ism /ˈmekənɪzəm/，重音在第一音节
          • 规则:me → /miː/， “me” 发 /miː/ 音，其中 “m” 发 /m/ 音，“e” 发长元音 /iː/。
          • 规则:chan → /kən/， “chan” 发 /kən/ 音，其中 “ch” 发 /k/ 音，“a” 发短元音 /ə/，“n” 发 /n/ 音。
          • 规则:ism → /ɪzəm/， “ism” 发 /ɪzəm/ 音，其中 “i” 发短元音 /ɪ/，“s” 发 /z/ 音，“m” 发 /m/ 音。
    • underlying:形容词，词源来自 “underlie”（位于……之下；构成……的基础），词义：潜在的；根本的。
      • 记忆方法:“under-”（在……之下）+ “lie”（躺）→ 在下面躺着的 → 潜在的。
      • 形近词:underlying/underlie（位于……之下）、underlyingly（潜在地）。
      • 发音解析:
        • 音节分解:un + der + ly + ing /ˌʌndəˈlaɪɪŋ/，重音在第二音节
        • 规则:un → /ʌn/， “un” 发 /ʌn/ 音，其中 “u” 发短元音 /ʌ/，“n” 发鼻音。
        • 规则:der → /də/， “der” 发 /də/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:ly → /laɪ/， “ly” 发 /laɪ/ 音，其中 “l” 发 /l/ 音，“y” 发长元音 /aɪ/。
        • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音，“g” 发 /ŋ/ 音。
  • 26 366 Dinh, L., Krueg er, D., and Bengio , Y. (2014) . NICE : Non-li near indep enden t comp onen ts estima tion. arXiv: 1410.8 516.
    • 句子分析:文献引用，包含作者、年份、文章标题和 arXiv 编号。“NICE: Non-linear independent components estimation” 是文章标题。
    • 翻译:《NICE：非线性独立成分估计》，作者：Dinh, L.、Krueg er, D.、Bengio , Y.，2014年，arXiv编号：1410.8 516。
    • 单词分析:
      • non-linear:形容词，“non-” 是否定前缀，“linear” 意为 “线性的”，整体词义：非线性的。
        • 记忆方法:“non-”（非）+ “linear”（线性的）→ 非线性的。
        • 形近词:non-linear/linear（线性的）、nonlinearity（非线性）。
        • 发音解析:
          • 音节分解:non + lin + ear /ˌnɒnˈlɪniə(r)/，重音在第二音节
          • 规则:non → /nɒn/， “non” 发 /nɒn/ 音，其中 “n” 发 /n/ 音，“o” 发短元音 /ɒ/，“n” 发 /n/ 音。
          • 规则:lin → /lɪn/， “lin” 发 /lɪn/ 音，其中 “l” 发 /l/ 音，“i” 发短元音 /ɪ/，“n” 发 /n/ 音。
          • 规则:ear → /ɪə(r)/， “ear” 发 /ɪə(r)/ 音，其中 “e” 发短元音 /ɪ/，“a” 发长元音 /ə(r)/。
    • independent:形容词，词源来自拉丁语 “independens”（不依赖的），词义：独立的；自主的。
      • 记忆方法:“in-”（否定）+ “depend”（依赖）+ “-ent”（形容词后缀）→ 不依赖的 → 独立的。
      • 形近词:independent/depend（依赖）、dependence（依赖）。
      • 发音解析:
        • 音节分解:in + de + pend + ent /ˌɪndɪˈpendənt/，重音在第二音节
        • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音。
        • 规则:de → /dɪ/， “de” 发 /dɪ/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ɪ/。
        • 规则:pend → /pend/， “pend” 发 /pend/ 音，其中 “p” 发 /p/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音，“d” 发 /d/ 音。
        • 规则:ent → /ənt/， “ent” 发 /ənt/ 音，其中 “e” 发短元音 /ə/，“n” 发 /n/ 音，“t” 发 /t/ 音。
    • estimation:名词，词源来自 “estimate”（估计），词义：估计；估算。
      • 记忆方法:“estimate”（估计）+ “-ation”（名词后缀）→ 估计的行为 → 估计。
      • 形近词:estimation/estimate（估计）、estimator（估计者）。
      • 发音解析:
        • 音节分解:es + ti + ma + tion /ˌestɪˈmeɪʃn/，重音在第二音节
        • 规则:es → /es/， “es” 发 /es/ 音，其中 “e” 发短元音 /e/，“s” 发 /s/ 音。
        • 规则:ti → /tɪ/， “ti” 发 /tɪ/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
        • 规则:ma → /mə/， “ma” 发 /mə/ 音，其中 “m” 发 /m/ 音，“a” 发短元音 /ə/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 不发音，“i” 发短元音 /ɪ/，“o” 不发音，“n” 发鼻音。
  • 495 Donah ue, J., Hendr ic ks, L. A., Guada rrama , S., Rohrb ac h, M., V enugo palan, S., Saenk o, K., and Darrel l, T. (2014) . Long- term recurr ent conv olution al net works for visual recogn ition and descrip tion. arXiv: 1411.4 389.
    • 句子分析:文献引用，有作者、年份、文章标题和 arXiv 编号。“Long-term recurrent convolutional networks for visual recognition and description” 是文章标题。
    • 翻译:《用于视觉识别和描述的长期循环卷积神经网络》，作者：Donah ue, J.、Hendr ic ks, L. A. 等，2014年，arXiv编号：1411.4 389。
    • 单词分析:
      • recurrent:形容词，词源来自拉丁语 “recurrere”（再发生；返回），词义：循环的；反复出现的。
        • 记忆方法:“re-”（再；又）+ “cur”（跑）+ “-ent”（形容词后缀）→ 再次跑回来 → 循环的。
        • 形近词:recurrent/recur（再发生）、recurrence（复发）。
        • 发音解析:
          • 音节分解:re + cur + rent /rɪˈkʌrənt/，重音在第二音节
          • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/。
          • 规则:cur → /kʌr/， “cur” 发 /kʌr/ 音，其中 “c” 发 /k/ 音，“u” 发短元音 /ʌ/，“r” 发 /r/ 音。
          • 规则:rent → /rənt/， “rent” 发 /rənt/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ə/，“n” 发 /n/ 音，“t” 发 /t/ 音。
    • convolutional:形容词，词源来自 “convolution”（卷积），词义：卷积的。
      • 记忆方法:“convolution”（卷积）+ “-al”（形容词后缀）→ 卷积的。
      • 形近词:convolutional/convolution（卷积）、convolve（使卷积）。
      • 发音解析:
        • 音节分解:con + vo + lu + tion + al /ˌkɒnvəˈluːʃənl/，重音在第三音节
        • 规则:con → /kɒn/， “con” 发 /kɒn/ 音，其中 “c” 发 /k/ 音，“o” 发短元音 /ɒ/，“n” 发 /n/ 音。
        • 规则:vo → /və/， “vo” 发 /və/ 音，其中 “v” 发 /v/ 音，“o” 发短元音 /ə/。
        • 规则:lu → /luː/， “lu” 发 /luː/ 音，其中 “l” 发 /l/ 音，“u” 发长元音 /uː/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 不发音，“i” 发短元音 /ɪ/，“o” 不发音，“n” 发鼻音。
        • 规则:al → /l/， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发 /l/ 音。
  • 102 Donoh o, D. L. and Grime s, C. (2003) . Hessia n eigenm aps: new lo cally linear embed ding tec hnique s for high-d imens ional data. T echnic al Rep ort 2003-0 8, De pt. Statist ics, Stanfo rd Univ ersit y .
    • 句子分析:文献引用，包含作者、年份、文章标题、报告编号和所属部门等信息。“Hessian eigenmaps: new locally linear embedding techniques for high-dimensional data” 是文章标题。
    • 翻译:《海森特征映射：用于高维数据的新型局部线性嵌入技术》，作者：Donoh o, D. L. 和 Grime s, C.，2003年，技术报告编号2003 - 08，斯坦福大学统计系。
    • 单词分析:
      • Hessian:名词，可能源自人名，在数学领域表示海森矩阵。词义：海森矩阵。
        • 记忆方法:可通过记住数学领域中这个特定术语来记忆。
        • 形近词:Hessian/Hess（人名）。
        • 发音解析:
          • 音节分解:Hes + si + an /ˈhesiən/，重音在第一音节
          • 规则:Hes → /hes/， “Hes” 发 /hes/ 音，其中 “H” 发 /h/ 音，“e” 发短元音 /e/，“s” 发 /s/ 音。
          • 规则:si → /siː/， “si” 发 /siː/ 音，其中 “s” 发 /s/ 音，“i” 发长元音 /iː/。
          • 规则:an → /ən/， “an” 发 /ən/ 音，其中 “a” 发短元音 /ə/，“n” 发鼻音。
    • eigenmaps:名词，“eigen-” 是德语前缀，有 “自身的；特有的” 意思，“maps” 是 “地图；映射”，整体词义：特征映射。
      • 记忆方法:联想 “eigen-”（特有的）+ “maps”（映射）→ 特有的映射 → 特征映射。
      • 形近词:eigenmaps/eigenvalue（特征值）、eigenvector（特征向量）。
      • 发音解析:
        • 音节分解:ei + gen + maps /ˈaɪɡənmæps/，重音在第一音节
        • 规则:ei → /aɪ/， “ei” 发 /aɪ/ 音，其中 “e” 发长元音 /aɪ/。
        • 规则:gen → /ɡən/， “gen” 发 /ɡən/ 音，其中 “g” 发 /ɡ/ 音，“e” 发短元音 /ə/，“n” 发 /n/ 音。
        • 规则:maps → /mæps/， “maps” 发 /mæps/ 音，其中 “m” 发 /m/ 音，“a” 发短元音 /æ/，“p” 发 /p/ 音，“s” 发 /s/ 音。
    • locally:副词，词源来自 “local”（局部的），词义：局部地；在本地。
      • 记忆方法:“local”（局部的）+ “-ly”（副词后缀）→ 局部地。
      • 形近词:locally/local（局部的）、locality（地区；局部）。
      • 发音解析:
        • 音节分解:lo + cal + ly /ˈləʊkəli/，重音在第一音节
        • 规则:lo → /ləʊ/， “lo” 发 /ləʊ/ 音，其中 “l” 发 /l/ 音，“o” 发长元音 /əʊ/。
        • 规则:cal → /kəl/， “cal” 发 /kəl/ 音，其中 “c” 发 /k/ 音，“a” 发短元音 /ə/，“l” 发 /l/ 音。
        • 规则:ly → /li/， “ly” 发 /li/ 音，其中 “l” 发 /l/ 音，“y” 发短元音 /i/。
    • embedding:名词，词源来自 “embed”（嵌入），词义：嵌入；嵌入物。
      • 记忆方法:“embed”（嵌入）+ “-ing”（名词后缀）→ 嵌入的行为或事物 → 嵌入；嵌入物。
      • 形近词:embedding/embed（嵌入）、embedded（嵌入的）。
      • 发音解析:
        • 音节分解:em + bed + ding /ɪmˈbedɪŋ/，重音在第二音节
        • 规则:em → /ɪm/， “em” 发 /ɪm/ 音，其中 “e” 发短元音 /ɪ/，“m” 发 /m/ 音。
        • 规则:bed → /bed/， “bed” 发 /bed/ 音，其中 “b” 发 /b/ 音，“e” 发短元音 /e/，“d” 发 /d/ 音。
        • 规则:ding → /dɪŋ/， “ding” 发 /dɪŋ/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/，“n” 发鼻音，“g” 发 /ŋ/ 音。
    • high-dimensional:形容词，“high-” 表示 “高的”，“dimensional” 意为 “维度的”，整体词义：高维的。
      • 记忆方法:“high-”（高）+ “dimensional”（维度的）→ 高维的。
      • 形近词:high-dimensional/dimensional（维度的）、dimension（维度）。
      • 发音解析:
        • 音节分解:high + di + men + sion + al /ˌhaɪdaɪˈmenʃənl/，重音在第三音节
        • 规则:high → /haɪ/， “high” 发 /haɪ/ 音，其中 “h” 发 /h/ 音，“i” 发长元音 /aɪ/，“gh” 不发音。
        • 规则:di → /daɪ/， “di” 发 /daɪ/ 音，其中 “d” 发 /d/ 音，“i” 发长元音 /aɪ/。
        • 规则:men → /men/， “men” 发 /men/ 音，其中 “m” 发 /m/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
        • 规则:sion → /ʃn/， “sion” 发 /ʃn/ 音，其中 “s” 不发音，“i” 发短元音 /ɪ/，“o” 不发音，“n” 发鼻音。
        • 规则:al → /l/， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发 /l/ 音。
  • 521 Doso vitskiy , A., Spring enber g, J. T., and Brox, T. (2015) . Learni ng to genera te chairs with con v olution al neural netw orks. In Pr o c e e dings of the IEEE Confe r enc e on Comp uter Vision and Patter n R e c o gnition , pages 1538–1 546.
    • 固定搭配:“Proceedings of...” 表示 “……的会议录”。
    • 句子分析:文献引用，有作者、年份、文章标题、文章所在会议录及页码。“Learning to generate chairs with convolutional neural networks” 是文章标题。
    • 翻译:《使用卷积神经网络学习生成椅子》，作者：Doso vitskiy , A.、Spring enber g, J. T.、Brox, T.，2015年，发表于《IEEE计算机视觉与模式识别会议录》，第1538 - 1546页。
    • 单词分析:
      • generate:动词，词源来自拉丁语 “generare”（生产；生育），词义：生成；产生。
        • 记忆方法:联想 “gen-”（产生）+ “-erate”（动词后缀）→ 产生 → 生成。
        • 形近词:generate/generation（一代；产生）、generator（发电机；发生器）。
        • 发音解析:
          • 音节分解:gen + er + ate /ˈdʒenəreɪt/，重音在第一音节
          • 规则:gen → /dʒen/， “gen” 发 /dʒen/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
          • 规则:er → /ə(r)/， “er” 发 /ə(r)/ 音，其中 “e” 发短元音 /ə/，“r” 发 /r/ 音。
          • 规则:ate → /reɪt/， “ate” 发 /reɪt/ 音，其中 “a” 发长元音 /eɪ/，“t” 发 /t/ 音。
  • 697 706 707 Do y a, K. (1993) . Bifurc ations of recurr ent neural netw orks in gradie nt descen t learnin g.
    • 句子分析:文献引用，包含作者、年份、文章标题。“Bifurcations of recurrent neural networks in gradient descent learning” 是文章标题。
    • 翻译:《梯度下降学习中循环神经网络的分叉》，作者：Do y a, K.，1993年。
    • 单词分析:
      • bifurcation:名词，词源来自拉丁语 “bifurcare”（分成两叉），词义：分叉；分支。
        • 记忆方法:“bi-”（两）+ “furc-”（叉）+ “-ation”（名词后缀）→ 分成两叉 → 分叉。
        • 形近词:bifurcation/bifurcate（分叉）、furcation（分叉）。
        • 发音解析:
          • 音节分解:bi + fur + ca + tion /ˌbaɪfəˈkeɪʃn/，重音在第二音节
          • 规则:bi → /baɪ/， “bi” 发 /baɪ/ 音，其中 “b” 发 /b/ 音，“i” 发长元音 /aɪ/。
          • 规则:fur → /fə(r)/， “fur” 发 /fə(r)/ 音，其中 “f” 发 /f/ 音，“u” 发短元音 /ə/，“r” 发 /r/ 音。
          • 规则:ca → /keɪ/， “ca” 发 /keɪ/ 音，其中 “c” 发 /k/ 音，“a” 发长元音 /eɪ/。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 不发音，“i” 发短元音 /ɪ/，“o” 不发音，“n” 发鼻音。
    • gradient:名词，词源来自拉丁语 “gradus”（步；级），词义：梯度；坡度。
      • 记忆方法:联想 “grad-”（步；级）+ “-ient”（形容词后缀转名词）→ 一步步变化的程度 → 梯度。
      • 形近词:gradient/grade（等级）、gradual（逐渐的）。
      • 发音解析:
        • 音节分解:gra + di + ent /ˈɡreɪdiənt/，重音在第一音节
        • 规则:gra → /ɡreɪ/， “gra” 发 /ɡreɪ/ 音，其中 “g” 发 /ɡ/ 音，“r” 发 /r/ 音，“a” 发长元音 /eɪ/。
        • 规则:di → /diː/， “di” 发 /diː/ 音，其中 “d” 发 /d/ 音，“i” 发长元音 /iː/。
        • 规则:ent → /ənt/， “ent” 发 /ənt/ 音，其中 “e” 发短元音 /ə/，“n” 发 /n/ 音，“t” 发 /t/ 音。
    • descent:名词，词源来自拉丁语 “descendere”（下降），词义：下降；降落；后裔。
      • 记忆方法:“de-”（向下）+ “scent”（爬）→ 向下爬 → 下降。
      • 形近词:descent/descend（下降）、ascend（上升）。
      • 发音解析:
        • 音节分解:de + scent /dɪˈsent/，重音在第二音节
        • 规则:de → /dɪ/， “de” 发 /dɪ/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ɪ/。
        • 规则:scent → /sent/， “scent” 发 /sent/ 音，其中 “s” 发 /s/ 音，“c” 不发音，“e” 发短元音 /e/，“n” 发 /n/ 音，“t” 发 /t/ 音。

  • IEEE Transactions on Neural Networks, 75–80., 1402 405 Dreyfus, S. E. (1962).
    • 固定搭配: “Transactions on...” 常表示“关于……的汇刊” 。
    • 句子分析: 此句介绍了文献信息，“IEEE Transactions on Neural Networks” 是期刊名，后面跟着页码、作者及年份。
    • 翻译: 《电气与电子工程师协会神经网络汇刊》，第75 - 80页，1402 405，德雷福斯，S. E. （1962年）
    • 单词分析:
      • Transactions: 名词，词源来自拉丁语 “transactio” ，词义：交易；学报；汇刊。
        • 记忆方法: “trans-”（穿过、转移） + “act”（行动） + “-ion”（名词后缀），可联想为信息等的转移形成汇刊。
        • 形近词: transaction（交易）, transact（办理、处理）。
        • 发音解析:
          • 音节分解: trans + ac + tions /trænˈzækʃənz/，重音在第二音节。
          • 规则: trans → /trænz/ ， “trans” 发 /trænz/ 音，其中 “tr” 发 /tr/ 音，“a” 发短元音 /æ/，“n” 发鼻音，“s” 发 /z/ 音。
          • 规则: ac → /æk/ ， “ac” 发 /æk/ 音，其中 “a” 发短元音 /æ/，“c” 发 /k/ 音。
          • 规则: tions → /ʃənz/ ， “tions” 发 /ʃənz/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音，“s” 发 /z/ 音。

  • The numerical solution of variational problems. Journal of Mathematical Analysis and Applications, 30–45. 5(1) 224 Dreyfus, S. E. (1973).
    • 句子分析: 此句介绍了关于变分问题数值解的文献，包含文章主题、期刊名、页码、卷期、作者及年份等信息。
    • 翻译: 《变分问题的数值解》，《数学分析与应用杂志》，第30 - 45页，第5卷第1期，224，德雷福斯，S. E. （1973年）
    • 单词分析:
      • numerical: 形容词，词源来自拉丁语 “numerus” （数字），词义：数值的；数字的。
        • 记忆方法: “numer”（数字） + “-ical”（形容词后缀），可联想与数字相关的就是数值的。
        • 形近词: numerate（识数的）, enumerate（列举）。
        • 发音解析:
          • 音节分解: nu + mer + i + cal /njuːˈmerɪkl/，重音在第二音节。
          • 规则: nu → /njuː/ ， “nu” 发 /njuː/ 音，其中 “n” 发 /n/ 音，“u” 发长元音 /juː/。
          • 规则: mer → /mer/ ， “mer” 发 /mer/ 音，其中 “m” 发 /m/ 音，“e” 发短元音 /e/，“r” 发 /r/ 音。
          • 规则: i → /ɪ/ ， “i” 发短元音 /ɪ/。
          • 规则: cal → /kl/ ， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发 /l/ 音。
    • variational: 形容词，词源来自 “variation” （变化），词义：变分的。
      • 记忆方法: “variat”（变化） + “-ional”（形容词后缀），可联想与变化相关的就是变分的。
      • 形近词: variation（变化）, vary（改变）。
      • 发音解析:
        • 音节分解: var + i + a + tion + al /ˌveərɪˈeɪʃənl/，重音在第三音节。
        • 规则: var → /veə(r)/ ， “var” 发 /veə(r)/ 音，其中 “v” 发 /v/ 音，“a” 发长元音 /eə(r)/。
        • 规则: i → /ɪ/ ， “i” 发短元音 /ɪ/。
        • 规则: a → /eɪ/ ， “a” 发长元音 /eɪ/。
        • 规则: tion → /ʃən/ ， “tion” 发 /ʃən/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音。
        • 规则: al → /l/ ， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发 /l/ 音。
  • The computational solution of optimal control problems with time lag. IEEE Transactions on Automatic Control, 383–385. 18(4) 224 Drucker, H. and LeCun, Y. (1992).
    • 句子分析: 此句介绍了关于带有时滞的最优控制问题计算解的文献，包含文章主题、期刊名、页码、卷期、作者及年份等信息。
    • 翻译: 《带有时滞的最优控制问题的计算解》，《电气与电子工程师协会自动控制汇刊》，第383 - 385页，第18卷第4期，224，德鲁克，H. 和勒昆，Y. （1992年）
    • 单词分析:
      • computational: 形容词，词源来自 “compute” （计算），词义：计算的。
        • 记忆方法: “comput”（计算） + “-ational”（形容词后缀），可联想与计算相关的就是计算的。
        • 形近词: compute（计算）, computer（计算机）。
        • 发音解析:
          • 音节分解: com + pu + ta + tion + al /ˌkɒmpjuːˈteɪʃənl/，重音在第三音节。
          • 规则: com → /kɒm/ ， “com” 发 /kɒm/ 音，其中 “c” 发 /k/ 音，“o” 发短元音 /ɒ/，“m” 发 /m/ 音。
          • 规则: pu → /pjuː/ ， “pu” 发 /pjuː/ 音，其中 “p” 发 /p/ 音，“u” 发长元音 /juː/。
          • 规则: ta → /teɪ/ ， “ta” 发 /teɪ/ 音，其中 “t” 发 /t/ 音，“a” 发长元音 /eɪ/。
          • 规则: tion → /ʃən/ ， “tion” 发 /ʃən/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音。
          • 规则: al → /l/ ， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发 /l/ 音。
    • optimal: 形容词，词源来自拉丁语 “optimus” （最好的），词义：最优的；最佳的。
      • 记忆方法: 可联想 “opt”（选择） + “-imal”（形容词后缀），选择出最好的就是最优的。
      • 形近词: option（选择）, optimism（乐观主义）。
      • 发音解析:
        • 音节分解: op + ti + mal /ˈɒptɪməl/，重音在第一音节。
        • 规则: op → /ɒp/ ， “op” 发 /ɒp/ 音，其中 “o” 发短元音 /ɒ/，“p” 发 /p/ 音。
        • 规则: ti → /tɪ/ ， “ti” 发 /tɪ/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
        • 规则: mal → /məl/ ， “mal” 发 /məl/ 音，其中 “m” 发 /m/ 音，“a” 不发音，“l” 发 /l/ 音。
    • time lag: 名词短语，词义：时滞；时间延迟。
      • 记忆方法: “time”（时间） + “lag”（延迟），直接组合理解。
      • 形近词: laggard（落后者）, delay（延迟）。
      • 发音解析:
        • 音节分解: time + lag /taɪm læɡ/ ， “time” 发 /taɪm/ 音，“lag” 发 /læɡ/ 音。
        • 规则: time → /taɪm/ ， “time” 发 /taɪm/ 音，其中 “t” 发 /t/ 音，“i” 发长元音 /aɪ/，“m” 发 /m/ 音。
        • 规则: lag → /læɡ/ ， “lag” 发 /læɡ/ 音，其中 “l” 发 /l/ 音，“a” 发短元音 /æ/，“g” 发 /ɡ/ 音。
  • Improving generalisation performance using double back-propagation. IEEE Transactions on Neural Networks, (6), 991–997. 3 271 736
    • 句子分析: 此句介绍了关于使用双反向传播提高泛化性能的文献，包含文章主题、期刊名、卷期、页码等信息。
    • 翻译: 《使用双反向传播提高泛化性能》，《电气与电子工程师协会神经网络汇刊》，第6期，第991 - 997页，3 271 736
    • 单词分析:
      • generalisation: 名词，词源来自 “generalize” （概括、泛化），词义：泛化；概括。
        • 记忆方法: “general”（普遍的） + “-ize”（动词后缀） + “-ation”（名词后缀），可联想将普遍的东西进行概括就是泛化。
        • 形近词: generalize（概括）, general（普遍的）。
        • 发音解析:
          • 音节分解: gen + er + al + i + za + tion /ˌdʒenərəlaɪˈzeɪʃən/，重音在第四音节。
          • 规则: gen → /dʒen/ ， “gen” 发 /dʒen/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
          • 规则: er → /ə(r)/ ， “er” 发 /ə(r)/ 音，其中 “e” 发短元音 /ə/，“r” 发 /r/ 音。
          • 规则: al → /æl/ ， “al” 发 /æl/ 音，其中 “a” 发短元音 /æ/，“l” 发 /l/ 音。
          • 规则: i → /aɪ/ ， “i” 发长元音 /aɪ/。
          • 规则: za → /zeɪ/ ， “za” 发 /zeɪ/ 音，其中 “z” 发 /z/ 音，“a” 发长元音 /eɪ/。
          • 规则: tion → /ʃən/ ， “tion” 发 /ʃən/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音。
    • back - propagation: 名词短语，词义：反向传播。
      • 记忆方法: “back”（向后） + “propagation”（传播），可联想信息向后传播就是反向传播。
      • 形近词: propagate（传播）, propagation（传播）。
      • 发音解析:
        • 音节分解: back + pro + pa + ga + tion /ˈbækˌprɒpəˈɡeɪʃən/ ， “back” 发 /bæk/ 音，“pro” 发 /prɒ/ 音，“pa” 发 /pə/ 音，“ga” 发 /ɡeɪ/ 音，“tion” 发 /ʃən/ 音。
        • 规则: back → /bæk/ ， “back” 发 /bæk/ 音，其中 “b” 发 /b/ 音，“a” 发短元音 /æ/，“c” 发 /k/ 音。
        • 规则: pro → /prɒ/ ， “pro” 发 /prɒ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“o” 发短元音 /ɒ/。
        • 规则: pa → /pə/ ， “pa” 发 /pə/ 音，其中 “p” 发 /p/ 音，“a” 发短元音 /ə/。
        • 规则: ga → /ɡeɪ/ ， “ga” 发 /ɡeɪ/ 音，其中 “g” 发 /ɡ/ 音，“a” 发长元音 /eɪ/。
        • 规则: tion → /ʃən/ ， “tion” 发 /ʃən/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音。
  • BIBLIOGRAPHY
    • 翻译: 参考文献
  • Duchi, J., Hazan, E., and Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. Journal of Machine Learning Research. 307
    • 句子分析: 此句介绍了关于在线学习和随机优化的自适应次梯度方法的文献，包含作者、年份、文章主题、期刊名和页码等信息。
    • 翻译: 杜奇，J.，哈赞，E.，和辛格，Y. （2011年）。《在线学习和随机优化的自适应次梯度方法》，《机器学习研究杂志》，第307页
    • 单词分析:
      • adaptive: 形容词，词源来自 “adapt” （适应），词义：自适应的；适应的。
        • 记忆方法: “adapt”（适应） + “-ive”（形容词后缀），可联想能适应的就是自适应的。
        • 形近词: adapt（适应）, adaptation（适应）。
        • 发音解析:
          • 音节分解: ad + ap + tive /əˈdæptɪv/，重音在第二音节。
          • 规则: ad → /əd/ ， “ad” 发 /əd/ 音，其中 “a” 发短元音 /ə/，“d” 发 /d/ 音。
          • 规则: ap → /æp/ ， “ap” 发 /æp/ 音，其中 “a” 发短元音 /æ/，“p” 发 /p/ 音。
          • 规则: tive → /tɪv/ ， “tive” 发 /tɪv/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/，“v” 发 /v/ 音。
    • subgradient: 名词，词源来自 “sub-”（下、次） + “gradient”（梯度），词义：次梯度。
      • 记忆方法: 直接根据构词理解，“sub-” 表示次，“gradient” 是梯度，组合就是次梯度。
      • 形近词: gradient（梯度）, submerge（淹没）。
      • 发音解析:
        • 音节分解: sub + gra + di + ent /ˈsʌbɡreɪdiənt/，重音在第一音节。
        • 规则: sub → /sʌb/ ， “sub” 发 /sʌb/ 音，其中 “s” 发 /s/ 音，“u” 发短元音 /ʌ/，“b” 发 /b/ 音。
        • 规则: gra → /ɡreɪ/ ， “gra” 发 /ɡreɪ/ 音，其中 “g” 发 /ɡ/ 音，“r” 发 /r/ 音，“a” 发长元音 /eɪ/。
        • 规则: di → /dɪ/ ， “di” 发 /dɪ/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/。
        • 规则: ent → /ənt/ ， “ent” 发 /ənt/ 音，其中 “e” 发短元音 /ə/，“n” 发 /n/ 音，“t” 发 /t/ 音。
    • stochastic: 形容词，词源来自希腊语 “stokhazesthai” （猜测），词义：随机的；随机过程的。
      • 记忆方法: 可联想 “stoch”（猜测） + “-astic”（形容词后缀），猜测具有随机性，所以是随机的。
      • 形近词: stochasticity（随机性）, stoic（坚忍的）。
      • 发音解析:
        • 音节分解: sto + cha + stic /stəˈkæstɪk/，重音在第二音节。
        • 规则: sto → /stə/ ， “sto” 发 /stə/ 音，其中 “s” 发 /s/ 音，“t” 发 /t/ 音，“o” 发短元音 /ə/。
        • 规则: cha → /kæ/ ， “cha” 发 /kæ/ 音，其中 “ch” 发 /k/ 音，“a” 发短元音 /æ/。
        • 规则: stic → /stɪk/ ， “stic” 发 /stɪk/ 音，其中 “s” 发 /s/ 音，“t” 发 /t/ 音，“i” 发短元音 /ɪ/，“c” 发 /k/ 音。
  • Dudik, M., Langford, J., and Li, L. (2011). Doubly robust policy evaluation and learning. In Proceedings of the 28th International Conference on Machine learning, ICML ’11. 484
    • 句子分析: 此句介绍了关于双重稳健策略评估和学习的文献，包含作者、年份、文章主题、会议信息和页码等信息。
    • 翻译: 杜迪克，M.，兰福德，J.，和李，L. （2011年）。《双重稳健策略评估和学习》，《第28届国际机器学习会议论文集》，ICML ’11，第484页
    • 单词分析:
      • doubly: 副词，词源来自 “double” （双重的），词义：双重地；两倍地。
        • 记忆方法: “double”（双重的） + “-ly”（副词后缀），可联想双重的状态就是双重地。
        • 形近词: double（双重的）, doubt（怀疑）。
        • 发音解析:
          • 音节分解: dou + bly /ˈdʌbli/，重音在第一音节。
          • 规则: dou → /dʌ/ ， “dou” 发 /dʌ/ 音，其中 “d” 发 /d/ 音，“ou” 发短元音 /ʌ/。
          • 规则: bly → /bli/ ， “bly” 发 /bli/ 音，其中 “b” 发 /b/ 音，“l” 发 /l/ 音，“y” 发 /i/ 音。
    • robust: 形容词，词源来自拉丁语 “robustus” （强壮的），词义：稳健的；强壮的。
      • 记忆方法: 可联想 “ro”（像拼音“肉”） + “bust”（破坏），肉不怕破坏，说明很强壮、稳健。
      • 形近词: robustly（稳健地）, rob（抢劫）。
      • 发音解析:
        • 音节分解: ro + bust /rəʊˈbʌst/，重音在第二音节。
        • 规则: ro → /rəʊ/ ， “ro” 发 /rəʊ/ 音，其中 “r” 发 /r/ 音，“o” 发长元音 /əʊ/。
        • 规则: bust → /bʌst/ ， “bust” 发 /bʌst/ 音，其中 “b” 发 /b/ 音，“u” 发短元音 /ʌ/，“s” 发 /s/ 音，“t” 发 /t/ 音。
    • evaluation: 名词，词源来自 “evaluate” （评估），词义：评估；评价。
      • 记忆方法: “e-”（向外） + “valu”（价值） + “-ation”（名词后缀），可联想把价值向外展现出来就是评估。
      • 形近词: evaluate（评估）, value（价值）。
      • 发音解析:
        • 音节分解: e + va + lu + a + tion /ɪˌvæljuˈeɪʃən/，重音在第三音节。
        • 规则: e → /ɪ/ ， “e” 发短元音 /ɪ/。
        • 规则: va → /væ/ ， “va” 发 /væ/ 音，其中 “v” 发 /v/ 音，“a” 发短元音 /æ/。
        • 规则: lu → /ljuː/ ， “lu” 发 /ljuː/ 音，其中 “l” 发 /l/ 音，“u” 发长元音 /juː/。
        • 规则: a → /eɪ/ ， “a” 发长元音 /eɪ/。
        • 规则: tion → /ʃən/ ， “tion” 发 /ʃən/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音。
  • Dugas, C., Bengio, Y., Bélisle, F., and Nadeau, C. (2001). Incorporating second - order functional knowledge for better option pricing. In T. Leen, T. Dietterich, and V. Tresp, editors, Advances in Neural Information Processing Systems 13 (NIPS ’00), pages 472–478. MIT Press., 68 196
    • 句子分析: 此句介绍了关于结合二阶函数知识进行更好期权定价的文献，包含作者、年份、文章主题、书籍编辑信息、书籍名称、页码、出版社等信息。
    • 翻译: 杜加斯，C.，本吉奥，Y.，贝利斯尔，F.，和纳多，C. （2001年）。《结合二阶函数知识进行更好的期权定价》，载于T. 利恩，T. 迪特里希，和V. 特雷斯普编辑的《神经信息处理系统进展13》（NIPS ’00），第472 - 478页。麻省理工学院出版社，68 196
    • 单词分析:
      • incorporating: 动词现在分词，词源来自 “incorporate” （包含、合并），词义：包含；合并。
        • 记忆方法: “in-”（进入） + “corpor”（团体、身体） + “-ate”（动词后缀），可联想进入团体就是包含、合并。
        • 形近词: incorporate（包含）, corporation（公司）。
        • 发音解析:
          • 音节分解: in + cor + po + rate + ing /ɪnˈkɔːpəreɪtɪŋ/，重音在第二音节。
          • 规则: in → /ɪn/ ， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发 /n/ 音。
          • 规则: cor → /kɔː/ ， “cor” 发 /kɔː/ 音，其中 “c” 发 /k/ 音，“o” 发长元音 /ɔː/，“r” 发 /r/ 音。
          • 规则: po → /pə/ ， “po” 发 /pə/ 音，其中 “p” 发 /p/ 音，“o” 发短元音 /ə/。
          • 规则: rate → /reɪt/ ， “rate” 发 /reɪt/ 音，其中 “r” 发 /r/ 音，“a” 发长元音 /eɪ/，“t” 发 /t/ 音。
          • 规则: ing → /ɪŋ/ ， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“n” 发 /ŋ/ 音。
    • functional: 形容词，词源来自 “function” （功能），词义：功能的；函数的。
      • 记忆方法: “function”（功能） + “-al”（形容词后缀），可联想与功能相关的就是功能的。
      • 形近词: function（功能）, functionality（功能性）。
      • 发音解析:
        • 音节分解: func + tion + al /ˈfʌŋkʃənl/，重音在第一音节。
        • 规则: func → /fʌŋk/ ， “func” 发 /fʌŋk/ 音，其中 “f” 发 /f/ 音，“u” 发短元音 /ʌ/，“n” 发 /ŋ/ 音，“c” 发 /k/ 音。
        • 规则: tion → /ʃən/ ， “tion” 发 /ʃən/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音。
        • 规则: al → /l/ ， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发 /l/ 音。
    • option: 名词，词源来自拉丁语 “optio” （选择），词义：期权；选择。
      • 记忆方法: 可联想 “opt”（选择） + “-ion”（名词后缀），就是选择的权利，即期权。
      • 形近词: optional（可选择的）, optimism（乐观主义）。
      • 发音解析:
        • 音节分解: op + tion /ˈɒpʃən/，重音在第一音节。
        • 规则: op → /ɒp/ ， “op” 发 /ɒp/ 音，其中 “o” 发短元音 /ɒ/，“p” 发 /p/ 音。
        • 规则: tion → /ʃən/ ， “tion” 发 /ʃən/ 音，其中 “t” 不发音，“ion” 发 /ʃən/ 音。
  • Dziugaite, G. K., Roy, D. M., and Ghahramani, Z. (2015). Training generative neural networks via maximum mean discrepancy optimization. arXiv preprint arXiv:1505.03906. 705
    • 句子分析: 此句介绍了关于通过最大均值差异优化训练生成式神经网络的文献，包含作者、年份、文章主题、预印本信息和页码等信息。
    • 翻译: 齐加伊特，G. K.，罗伊，D. M.，和加哈拉马尼，Z. （2015年）。《通过最大均值差异优化训练生成式神经网络》，arXiv预印本arXiv:1505.03906，第705页
    • 单词分析:
      • generative: 形容词，词源来自 “generate” （生成），词义：生成的；有生产力的。
        • 记忆方法: “generate”（生成） + “-ive”（形容词后缀），可联想能生成的就是生成的。
        • 形近词: generate（生成）, generation（一代）。
        • 发音解析:
          • 音节分解: gen + er + a + tive /ˈdʒenərətɪv/，重音在第一音节。
          • 规则: gen → /dʒen/ ， “gen” 发 /dʒen/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
          • 规则: er → /ə(r)/ ， “er” 发 /ə(r)/ 音，其中 “e” 发短元音 /ə/，“r” 发 /r/ 音。
          • 规则: a → /ə/ ， “a” 发短元音 /ə/。
          • 规则: tive → /tɪv/ ， “tive” 发 /tɪv/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/，“v” 发 /v/ 音。
    • discrepancy: 名词，词源来自拉丁语 “discrepare” （不一致），词义：差异；不一致。
      • 记忆方法: “dis-”（否定） + “crep”（破裂） + “-ancy”（名词后缀），可联想破裂导致不一致，即差异。
      • 形近词: discrepant（有差异的）, crepitate（噼啪作响）。
      • 发音解析:
        • 音节分解: dis + crep + ancy /dɪˈskrepənsi/，重音在第二音节。
        • 规则: dis → /dɪs/ ， “dis” 发 /dɪs/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/，“s” 发 /s/ 音。
        • 规则: crep → /krep/ ， “crep” 发 /krep/ 音，其中 “c” 发 /k/ 音，“r” 发 /r/ 音，“e” 发短元音 /e/，“p” 发 /p/ 音。
        • 规则: ancy → /ənsi/ ， “ancy” 发 /ənsi/ 音，其中 “a” 发短元音 /ə/，“n” 发 /n/ 音，“c” 发 /s/ 音，“y” 发 /i/ 音。
  • El Hihi, S. and Bengio, Y. (1996).
    • 翻译: 埃尔·希希，S. 和本吉奥，Y. （1996年）

  • Hierarchical recurrent neural networks for long-term dependencies.
    • 固定搭配:“long - term”意为“长期的”。
    • 句子分析:简单短语，“Hierarchical recurrent neural networks”是核心短语，“for long - term dependencies”是目的状语。
    • 翻译:用于处理长期依赖关系的分层循环神经网络。
    • 单词分析:
      • Hierarchical:形容词，词源来自希腊语“hierarkhes”，词义：分层的；等级制的。
        • 记忆方法:联想“hierarchy”（等级制度），加“-ical”变成形容词。
        • 形近词:hierarchical/hierarchy（等级制度）、hierarch（教主）。
        • 发音解析:
          • 音节分解:hi + er + ar + chi + cal /ˌhaɪəˈrɑːkɪkl/，重音在第二音节
          • 规则:hi → /haɪ/， “hi” 发 /haɪ/ 音，其中 “h” 发 /h/ 音，“i” 发长元音 /aɪ/。
          • 规则:er → /ə/， “er” 发 /ə/ 音，为弱读音。
          • 规则:ar → /ɑː/， “ar” 发 /ɑː/ 音，类似于 “car” 的发音。
          • 规则:chi → /kɪ/， “chi” 发 /kɪ/ 音，其中 “ch” 发 /k/ 音，“i” 发短元音 /ɪ/。
          • 规则:cal → /kl/， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发 /l/ 音。
    • recurrent:形容词，词源来自拉丁语“recurrere”，词义：循环的；反复出现的。
      • 记忆方法:“re -”（再次）+“cur”（跑）+“-ent”，表示再次跑回来，即循环的。
      • 形近词:recurrent/recur（复发；重现）、recurrence（复发；重现）。
      • 发音解析:
        • 音节分解:re + cur + rent /rɪˈkʌrənt/，重音在第二音节
        • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:cur → /kʌr/， “cur” 发 /kʌr/ 音，其中 “c” 发 /k/ 音，“u” 发短元音 /ʌ/，“r” 发 /r/ 音。
        • 规则:rent → /rənt/， “rent” 发 /rənt/ 音，其中 “r” 发 /r/ 音，“e” 发 /ə/ 音，“n” 发 /n/ 音，“t” 发 /t/ 音。
    • dependencies:名词复数，词源来自拉丁语“dependere”，词义：依赖关系；依存关系。
      • 记忆方法:“de -”（向下）+“pend”（悬挂）+“-ency”，表示向下悬挂，即依赖。
      • 形近词:dependencies/depend（依靠）、dependable（可靠的）。
      • 发音解析:
        • 音节分解:de + pen + den + cies /dɪˌpendənsiːz/，重音在第二音节
        • 规则:de → /dɪ/， “de” 发 /dɪ/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ɪ/。
        • 规则:pen → /pen/， “pen” 发 /pen/ 音，其中 “p” 发 /p/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
        • 规则:den → /dən/， “den” 发 /dən/ 音，其中 “d” 发 /d/ 音，“e” 发 /ə/ 音，“n” 发 /n/ 音。
        • 规则:cies → /siːz/， “cies” 发 /siːz/ 音，其中 “c” 发 /s/ 音，“i” 发长元音 /iː/，“e” 不发音，“s” 发 /z/ 音。

  • In . , NIPS’ 1995 400 409 Elk ahky , A. M., Song, Y., and He, X. (2015) .
    • 句子分析:此句信息不完整且表述混乱，推测是文献引用相关信息，暂不做详细语法分析。
  • A multi - view deep learning approach for cross - domain user modeling in recommendation systems.
    • 固定搭配:“multi - view”意为“多视图的”；“cross - domain”意为“跨领域的”。
    • 句子分析:简单短语，“A multi - view deep learning approach”是核心短语，“for cross - domain user modeling”是目的状语，“in recommendation systems”是范围状语。
    • 翻译:推荐系统中用于跨领域用户建模的多视图深度学习方法。
    • 单词分析:
      • multi - view:复合形容词，“multi -”表示“多”，“view”表示“视图”，词义：多视图的。
        • 记忆方法:直接记忆“multi”（多）和“view”（视图）的组合。
        • 形近词:multi - view/multimedia（多媒体的）、multi - purpose（多用途的）。
        • 发音解析:
          • 音节分解:mul + ti + view /ˈmʌltɪvjuː/，重音在第一音节
          • 规则:mul → /mʌl/， “mul” 发 /mʌl/ 音，其中 “m” 发 /m/ 音，“u” 发短元音 /ʌ/，“l” 发 /l/ 音。
          • 规则:ti → /tɪ/， “ti” 发 /tɪ/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
          • 规则:view → /vjuː/， “view” 发 /vjuː/ 音，其中 “v” 发 /v/ 音，“ie” 发长元音 /uː/。
    • cross - domain:复合形容词，“cross”表示“跨越”，“domain”表示“领域”，词义：跨领域的。
      • 记忆方法:联想“cross”（跨越）和“domain”（领域）的组合。
      • 形近词:cross - domain/cross - border（跨境的）、cross - cultural（跨文化的）。
      • 发音解析:
        • 音节分解:cross + do + main /ˈkrɒsdeɪmɪn/，重音在第一音节
        • 规则:cross → /krɒs/， “cross” 发 /krɒs/ 音，其中 “c” 发 /k/ 音，“r” 发 /r/ 音，“o” 发短元音 /ɒ/，“s” 发 /s/ 音。
        • 规则:do → /dəʊ/， “do” 发 /dəʊ/ 音，其中 “d” 发 /d/ 音，“o” 发长元音 /əʊ/。
        • 规则:main → /meɪn/， “main” 发 /meɪn/ 音，其中 “m” 发 /m/ 音，“ai” 发长元音 /eɪ/，“n” 发 /n/ 音。
    • modeling:动名词，词源来自“model”（模型），词义：建模。
      • 记忆方法:“model”（模型）+“-ing”（动名词后缀）。
      • 形近词:modeling/model（模型）、modeller（建模者）。
      • 发音解析:
        • 音节分解:mo + del + ing /ˈmɒdəlɪŋ/，重音在第一音节
        • 规则:mo → /mɒ/， “mo” 发 /mɒ/ 音，其中 “m” 发 /m/ 音，“o” 发短元音 /ɒ/。
        • 规则:del → /dəl/， “del” 发 /dəl/ 音，其中 “d” 发 /d/ 音，“e” 发 /ə/ 音，“l” 发 /l/ 音。
        • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“ng” 发 /ŋ/ 音。
  • In Proceedings of the 24th International Conference on World Wide Web , pages 278–288.
    • 固定搭配:“Proceedings of...”意为“……的会议记录；……的论文集”；“World Wide Web”意为“万维网”。
    • 句子分析:简单短语，“In Proceedings of the 24th International Conference on World Wide Web”是地点状语，“pages 278–288”是具体页码。
    • 翻译:在第24届万维网国际会议论文集中，第278 - 288页。
  • Elman , J. L. (1993) .
    • 句子分析:此句为文献引用中作者及年份信息，不做详细语法分析。
  • Learning and development in neural networks: The importance of starting small.
    • 句子分析:冒号前是主题，冒号后是对主题的进一步阐述。“Learning and development in neural networks”是核心短语，“The importance of starting small”是补充说明。
    • 翻译:神经网络中的学习与发展：从小规模开始的重要性。
  • Cognition , , 781–799.
    • 句子分析:此句信息不完整，推测是文献引用中期刊及页码信息，不做详细语法分析。
  • Erhan , D., Manzagol, P . - A., Bengio , Y., Bengio , S., and Vincent, P . (2009) .
    • 句子分析:此句为文献引用中作者及年份信息，不做详细语法分析。
  • The difficulty of training deep architectures and the effect of unsupervised pre - training.
    • 固定搭配:“unsupervised pre - training”意为“无监督预训练”。
    • 句子分析:由“and”连接两个并列的名词短语，分别是“The difficulty of training deep architectures”和“the effect of unsupervised pre - training”。
    • 翻译:训练深度架构的难度以及无监督预训练的效果。
    • 单词分析:
      • unsupervised:形容词，“un -”（否定）+“supervised”（有监督的），词义：无监督的。
        • 记忆方法:联想“un -”（不）+“supervised”（被监督的）。
        • 形近词:unsupervised/supervised（有监督的）、supervise（监督）。
        • 发音解析:
          • 音节分解:un + su + per + vised /ˌʌnsuːˈpaɪzɪd/，重音在第二音节
          • 规则:un → /ʌn/， “un” 发 /ʌn/ 音，其中 “u” 发短元音 /ʌ/，“n” 发鼻音。
          • 规则:su → /suː/， “su” 发 /suː/ 音，其中 “s” 发 /s/ 音，“u” 发长元音 /uː/。
          • 规则:per → /pə/， “per” 发 /pə/ 音，其中 “p” 发 /p/ 音，“e” 发 /ə/ 音，“r” 发 /r/ 音。
          • 规则:vised → /vaɪzd/， “vised” 发 /vaɪzd/ 音，其中 “v” 发 /v/ 音，“i” 发长元音 /aɪ/，“s” 发 /z/ 音，“ed” 发 /d/ 音。
    • pre - training:复合名词，“pre -”（预先）+“training”（训练），词义：预训练。
      • 记忆方法:联想“pre -”（预先）和“training”（训练）的组合。
      • 形近词:pre - training/pre - test（预测试）、pre - heat（预热）。
      • 发音解析:
        • 音节分解:pre + train + ing /ˈpriːtreɪnɪŋ/，重音在第一音节
        • 规则:pre → /priː/， “pre” 发 /priː/ 音，其中 “p” 发 /p/ 音，“re” 发长元音 /iː/。
        • 规则:train → /treɪn/， “train” 发 /treɪn/ 音，其中 “t” 发 /t/ 音，“r” 发 /r/ 音，“ai” 发长元音 /eɪ/，“n” 发 /n/ 音。
        • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“ng” 发 /ŋ/ 音。
  • In Proceedings of AISTATS’2009 .
    • 固定搭配:“Proceedings of...”意为“……的会议记录；……的论文集”。
    • 句子分析:简单短语，“In Proceedings of AISTATS’2009”是地点状语。
    • 翻译:在2009年人工智能与统计国际会议论文集中。
  • Erhan , D., Bengio , Y., Courville, A., Manzagol, P ., Vincent, P ., and Bengio , S. (2010) .
    • 句子分析:此句为文献引用中作者及年份信息，不做详细语法分析。
  • Why does unsupervised pre - training help deep learning?
    • 固定搭配:“unsupervised pre - training”意为“无监督预训练”；“deep learning”意为“深度学习”。
    • 句子分析:特殊疑问句，“Why”引导，助动词“does”提前，主语是“unsupervised pre - training”，谓语是“help”，宾语是“deep learning”。
    • 翻译:为什么无监督预训练有助于深度学习？
  • J. Machine Learning Res. 531 535 536 , ,
    • 句子分析:此句信息不完整，推测是文献引用中期刊及页码信息，不做详细语法分析。
  • Fahlman, S. E., Hinton, G. E., and Sejnowski, T. J. (1983) .
    • 句子分析:此句为文献引用中作者及年份信息，不做详细语法分析。
  • Massively parallel architectures for AI : NETL , thistle , and Boltzmann machines.
    • 固定搭配:“Massively parallel architectures”意为“大规模并行架构”。
    • 句子分析:“Massively parallel architectures for AI”是核心短语，冒号后列举了相关的架构类型。
    • 翻译:用于人工智能的大规模并行架构：NETL、蓟状网络和玻尔兹曼机。
    • 单词分析:
      • Massively:副词，词源来自“massive”（大规模的），词义：大规模地；大量地。
        • 记忆方法:“massive”（大规模的）+“-ly”（副词后缀）。
        • 形近词:massively/massive（大规模的）、massiveness（巨大；大量）。
        • 发音解析:
          • 音节分解:mas + sive + ly /ˈmæsɪvli/，重音在第一音节
          • 规则:mas → /mæs/， “mas” 发 /mæs/ 音，其中 “m” 发 /m/ 音，“a” 发短元音 /æ/，“s” 发 /s/ 音。
          • 规则:sive → /sɪv/， “sive” 发 /sɪv/ 音，其中 “s” 发 /s/ 音，“i” 发短元音 /ɪ/，“v” 发 /v/ 音。
          • 规则:ly → /li/， “ly” 发 /li/ 音，其中 “l” 发 /l/ 音，“y” 发 /i/ 音。
    • parallel:形容词，词源来自希腊语“parallēlos”，词义：平行的；并行的。
      • 记忆方法:联想“para -”（旁边）+“llel”，表示在旁边并列，即平行的。
      • 形近词:parallel/parallelogram（平行四边形）、paralysis（瘫痪）。
      • 发音解析:
        • 音节分解:par + al + lel /ˈpærəlel/，重音在第一音节
        • 规则:par → /pær/， “par” 发 /pær/ 音，其中 “p” 发 /p/ 音，“a” 发短元音 /æ/，“r” 发 /r/ 音。
        • 规则:al → /ə/， “al” 发 /ə/ 音，为弱读音。
        • 规则:lel → /lel/， “lel” 发 /lel/ 音，其中 “l” 发 /l/ 音，“e” 发短元音 /e/，“l” 发 /l/ 音。
    • architectures:名词复数，词源来自拉丁语“architectura”，词义：架构；体系结构。
      • 记忆方法:“archi -”（主要的）+“tect”（建造）+“-ure”（名词后缀），表示主要的建造结构。
      • 形近词:architectures/architecture（建筑；架构）、architect（建筑师）。
      • 发音解析:
        • 音节分解:ar + chi + tect + ures /ˈɑːkɪtektʃəz/，重音在第一音节
        • 规则:ar → /ɑː/， “ar” 发 /ɑː/ 音，类似于 “car” 的发音。
        • 规则:chi → /kɪ/， “chi” 发 /kɪ/ 音，其中 “ch” 发 /k/ 音，“i” 发短元音 /ɪ/。
        • 规则:tect → /tekt/， “tect” 发 /tekt/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /e/，“c” 发 /k/ 音，“t” 发 /t/ 音。
        • 规则:ures → /tʃəz/， “ures” 发 /tʃəz/ 音，其中 “ur” 发 /ə/ 音，“e” 不发音，“s” 发 /z/ 音。
  • In Proceedings of the National Conference on Artificial Intelligence AAAI - 83 . , 572 656
    • 固定搭配:“Proceedings of...”意为“……的会议记录；……的论文集”；“National Conference on Artificial Intelligence”意为“全国人工智能会议”。
    • 句子分析:简单短语，“In Proceedings of the National Conference on Artificial Intelligence AAAI - 83”是地点状语，“572 656”推测是页码。
    • 翻译:在1983年全国人工智能会议论文集中，第572 - 656页。
  • Fang, H., Gupta, S., Iandola, F., Srivastava, R., Deng, L., Dollár, P ., Gao, J., He, X., Mitchell, M., Platt, J. C., Zitnick, C. L., and Zweig, G. (2015) .
    • 句子分析:此句为文献引用中作者及年份信息，不做详细语法分析。
  • From captions to visual concepts and back.
    • 句子分析:简单短语，表达从标题到视觉概念再回到标题的过程。
    • 翻译:从标题到视觉概念，再从视觉概念回到标题。
  • arXiv: 1411.4952.
    • 句子分析:此句为文献引用中的arXiv编号信息，不做详细语法分析。
  • Farabet, C., LeCun, Y., Kavukcuoglu, K., Culurciello, E., Martini, B., Akselrod, P ., and Talay, S. (2011) .
    • 句子分析:此句为文献引用中作者及年份信息，不做详细语法分析。
  • Large - scale FPGA - based convolutional networks.
    • 固定搭配:“Large - scale”意为“大规模的”；“FPGA - based”意为“基于现场可编程门阵列的”；“convolutional networks”意为“卷积网络”。
    • 句子分析:简单短语，“Large - scale FPGA - based”是修饰语，“convolutional networks”是核心短语。
    • 翻译:大规模基于现场可编程门阵列的卷积网络。
    • 单词分析:
      • Large - scale:复合形容词，“large”（大的）+“scale”（规模），词义：大规模的。
        • 记忆方法:直接记忆“large”和“scale”的组合。
        • 形近词:large - scale/large - sized（大尺寸的）、large - scale production（大规模生产）。
        • 发音解析:
          • 音节分解:large + scale /ˈlɑːdʒskeɪl/，重音在第一音节
          • 规则:large → /lɑːdʒ/， “large” 发 /lɑːdʒ/ 音，其中 “l” 发 /l/ 音，“a” 发长元音 /ɑː/，“r” 发 /r/ 音，“g” 发 /dʒ/ 音。
          • 规则:scale → /skeɪl/， “scale” 发 /skeɪl/ 音，其中 “s” 发 /s/ 音，“c” 发 /k/ 音，“a” 发长元音 /eɪ/，“l” 发 /l/ 音。
    • FPGA - based:复合形容词，“FPGA”（现场可编程门阵列）+“- based”（基于……的），词义：基于现场可编程门阵列的。
      • 记忆方法:联想“FPGA”和“- based”的组合。
      • 形近词:FPGA - based/CPU - based（基于中央处理器的）、GPU - based（基于图形处理器的）。
      • 发音解析:
        • 音节分解:FPGA + based /ˈefpiːdʒeɪbeɪst/，重音在第一音节
        • 规则:FPGA → /efpiːdʒeɪ/， “FPGA” 发 /efpiːdʒeɪ/ 音，其中 “e” 发 /e/ 音，“f” 发 /f/ 音，“p” 发 /p/ 音，“i” 发长元音 /iː/，“dʒ” 发 /dʒ/ 音，“e” 发 /eɪ/ 音。
        • 规则:based → /beɪst/， “based” 发 /beɪst/ 音，其中 “b” 发 /b/ 音，“a” 发长元音 /eɪ/，“s” 发 /s/ 音，“ed” 发 /t/ 音。
    • convolutional:形容词，词源来自“convolution”（卷积），词义：卷积的。
      • 记忆方法:“convolution”（卷积）+“-al”（形容词后缀）。
      • 形近词:convolutional/convolution（卷积）、convolve（使卷积）。
      • 发音解析:
        • 音节分解:con + vo + lu + tion + al /ˌkɒnvəˈluːʃənl/，重音在第二音节
        • 规则:con → /kɒn/， “con” 发 /kɒn/ 音，其中 “c” 发 /k/ 音，“o” 发短元音 /ɒ/，“n” 发 /n/ 音。
        • 规则:vo → /vəʊ/， “vo” 发 /vəʊ/ 音，其中 “v” 发 /v/ 音，“o” 发长元音 /əʊ/。
        • 规则:lu → /luː/， “lu” 发 /luː/ 音，其中 “l” 发 /l/ 音，“u” 发长元音 /uː/。
        • 规则:tion → /ʃən/， “tion” 发 /ʃən/ 音，其中 “t” 发 /ʃ/ 音，“i” 发 /ə/ 音，“o” 不发音，“n” 发 /n/ 音。
        • 规则:al → /l/， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发 /l/ 音。
  • In R. Bekkerman, M. Bilenko, and J.
    • 句子分析:此句信息不完整，不做详细语法分析。

  • Langford, editors, Scaling up Machine Learning: Parallel and Distributed Approaches. Cambridge University Press. 525 737
    • 固定搭配:“scale up”意为“扩大；增加规模”。
    • 句子分析:简单介绍了书籍相关信息，“Scaling up Machine Learning”是书名，“Parallel and Distributed Approaches”是副标题，“Cambridge University Press”是出版社。
    • 翻译:兰福德（编辑），《机器学习的扩展：并行与分布式方法》，剑桥大学出版社，525 737
    • 单词分析:
      • scaling:动词的现在分词形式，词源来自“scale”（规模；刻度），词义：扩大；缩放。
        • 记忆方法:“scale”（规模）+“-ing”（动词后缀），表示与规模相关的动作，即扩大规模。
        • 形近词:scale/scalpel（手术刀）、scald（烫伤）。
        • 发音解析:
          • 音节分解:scal + ing /ˈskeɪlɪŋ/，重音在第一音节
          • 规则:scal → /skeɪl/， “scal” 发 /skeɪl/ 音，其中 “s” 发 /s/ 音，“c” 发 /k/ 音，“al” 发 /eɪl/ 音。
          • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“ng” 发 /ŋ/ 音。

  • Farabet, C., Couprie, C., Najman, L., and LeCun, Y. (2013). Learning hierarchical features for scene labeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35 (8), 1915–1929.
    • 固定搭配:“learning...for...”表示“为了……而学习……”。
    • 句子分析:介绍了作者及发表的文章，“Learning hierarchical features for scene labeling”是文章主题，“IEEE Transactions on Pattern Analysis and Machine Intelligence”是期刊名。
    • 翻译:法拉贝特，C.，库普里，C.，纳伊曼，L.，和勒昆，Y.（2013年）。用于场景标注的分层特征学习。《电气与电子工程师协会模式分析与机器智能汇刊》，35（8），1915 - 1929。
    • 单词分析:
      • hierarchical:形容词，词源来自希腊语“hierarkhes”（高级祭司），词义：分层的；等级制的。
        • 记忆方法:“hier”（神圣的）+“archy”（统治）+“-ical”（形容词后缀），神圣的统治有等级之分，所以是分层的。
        • 形近词:hierarchical/hierarchy（等级制度）、hieroglyph（象形文字）。
        • 发音解析:
          • 音节分解:hi + er + ar + chi + cal /ˌhaɪəˈrɑːrkɪkl/，重音在第二音节
          • 规则:hi → /haɪ/， “hi” 发 /haɪ/ 音，其中 “h” 发 /h/ 音，“i” 发长元音 /aɪ/。
          • 规则:er → /ə/， “er” 发 /ə/ 音，其中 “e” 发短元音 /ə/。
          • 规则:ar → /ɑːr/， “ar” 发 /ɑːr/ 音，其中 “a” 发长元音 /ɑː/。
          • 规则:chi → /kaɪ/， “chi” 发 /kaɪ/ 音，其中 “ch” 发 /k/ 音，“i” 发长元音 /aɪ/。
          • 规则:cal → /kl/， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发 /l/ 音。
  • Fei-Fei, L., Fergus, R., and Perona, P. (2006). One-shot learning of object categories. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28 (4), 594–611.
    • 固定搭配:“one-shot learning”意为“一次性学习”。
    • 句子分析:介绍作者及文章，“One-shot learning of object categories”是文章主题。
    • 翻译:李菲菲，L.，弗格斯，R.，和佩罗纳，P.（2006年）。物体类别的一次性学习。《电气与电子工程师协会模式分析与机器智能汇刊》，28（4），594 - 611。
    • 单词分析:
      • one-shot:形容词，合成词，由“one”（一）和“shot”（射击；尝试）组成，词义：一次性的。
        • 记忆方法:联想开枪只开一次，就是一次性的。
        • 形近词:one-shot/one-way（单向的）、one-time（一次性的）。
        • 发音解析:
          • 音节分解:one + shot /ˈwʌnʃɑːt/，重音在第一音节
          • 规则:one → /wʌn/， “one” 发 /wʌn/ 音，其中 “o” 发短元音 /ʌ/，“n” 发鼻音。
          • 规则:shot → /ʃɑːt/， “shot” 发 /ʃɑːt/ 音，其中 “sh” 发 /ʃ/ 音，“o” 发长元音 /ɑː/。
  • Finn, C., Tan, X. Y., Duan, Y., Darrell, T., Levine, S., and Abbeel, P. (2015). Learning visual feature spaces for robotic manipulation with deep spatial autoencoders. arXiv preprint arXiv: 1509.06113.
    • 固定搭配:“learning...for...”表示“为了……而学习……”；“robotic manipulation”意为“机器人操作”。
    • 句子分析:介绍作者及文章，“Learning visual feature spaces for robotic manipulation with deep spatial autoencoders”是文章主题。
    • 翻译:芬恩，C.，谭，X. Y.，段，Y.，达雷尔，T.，莱文，S.，和阿比尔，P.（2015年）。使用深度空间自动编码器学习用于机器人操作的视觉特征空间。arXiv预印本arXiv: 1509.06113。
    • 单词分析:
      • autoencoder:名词，合成词，由“auto-”（自动）和“encoder”（编码器）组成，词义：自动编码器。
        • 记忆方法:“auto-”（自动）+“encoder”（编码器），自动进行编码的设备就是自动编码器。
        • 形近词:autoencoder/encoder（编码器）、decoder（解码器）。
        • 发音解析:
          • 音节分解:au + to + en + co + der /ˌɔːtoʊˈenkoʊdər/，重音在第三音节
          • 规则:au → /ɔː/， “au” 发 /ɔː/ 音，其中 “a” 发长元音 /ɔː/。
          • 规则:to → /toʊ/， “to” 发 /toʊ/ 音，其中 “o” 发长元音 /oʊ/。
          • 规则:en → /en/， “en” 发 /en/ 音，其中 “e” 发短元音 /e/。
          • 规则:co → /koʊ/， “co” 发 /koʊ/ 音，其中 “o” 发长元音 /oʊ/。
          • 规则:der → /dər/， “der” 发 /dər/ 音，其中 “e” 发短元音 /ə/。
  • Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, , 179–188.
    • 固定搭配:“the use of...”意为“……的使用”。
    • 句子分析:介绍作者及文章，“The use of multiple measurements in taxonomic problems”是文章主题。
    • 翻译:费舍尔，R. A.（1936年）。在分类学问题中使用多种测量方法。《优生学年鉴》，179 - 188。
    • 单词分析:
      • taxonomic:形容词，词源来自希腊语“taxis”（排列）和“nomos”（法则），词义：分类学的。
        • 记忆方法:“taxi”（排列）+“-nomic”（与法则有关），与排列法则相关的就是分类学的。
        • 形近词:taxonomic/taxonomy（分类学）、taxidermy（动物标本剥制术）。
        • 发音解析:
          • 音节分解:tax + o + nom + ic /ˌtæksəˈnɑːmɪk/，重音在第三音节
          • 规则:tax → /tæks/， “tax” 发 /tæks/ 音，其中 “t” 发 /t/ 音，“a” 发短元音 /æ/，“x” 发 /ks/ 音。
          • 规则:o → /ə/， “o” 发 /ə/ 音，其中 “o” 发短元音 /ə/。
          • 规则:nom → /nɑːm/， “nom” 发 /nɑːm/ 音，其中 “n” 发 /n/ 音，“o” 发长元音 /ɑː/。
          • 规则:ic → /ɪk/， “ic” 发 /ɪk/ 音，其中 “i” 发短元音 /ɪ/。
  • Földiák, P. (1989). Adaptive network for optimal linear feature extraction. In International Joint Conference on Neural Networks (IJCNN), volume 1, pages 401–405, Washington 1989. IEEE, New York.
    • 固定搭配:“adaptive network”意为“自适应网络”；“feature extraction”意为“特征提取”。
    • 句子分析:介绍作者及文章，“Adaptive network for optimal linear feature extraction”是文章主题，后面介绍了发表会议的相关信息。
    • 翻译:福尔迪亚克，P.（1989年）。用于最优线性特征提取的自适应网络。在国际神经网络联合会议（IJCNN），第1卷，第401 - 405页，华盛顿，1989年。电气与电子工程师协会，纽约。
    • 单词分析:
      • adaptive:形容词，词源来自拉丁语“adaptare”（使适应），词义：自适应的；适应的。
        • 记忆方法:“ad-”（朝向）+“apt”（合适的）+“-ive”（形容词后缀），朝向合适的方向就是自适应的。
        • 形近词:adaptive/adapt（适应）、adaptable（可适应的）。
        • 发音解析:
          • 音节分解:ad + ap + tive /əˈdæptɪv/，重音在第二音节
          • 规则:ad → /ə/， “ad” 发 /ə/ 音，其中 “a” 发短元音 /ə/。
          • 规则:ap → /æp/， “ap” 发 /æp/ 音，其中 “a” 发短元音 /æ/。
          • 规则:tive → /tɪv/， “tive” 发 /tɪv/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
  • Franzius, M., Spreke ler, H., and Wiskott, L. (2007). Slowness and sparseness lead to place, head-direction, and spatial-view cells.
    • 固定搭配:“lead to”意为“导致；通向”。
    • 句子分析:简单句，主谓宾结构，表明“Slowness and sparseness”会导致“place, head - direction, and spatial - view cells”。
    • 翻译:弗兰齐乌斯，M.，施普雷克莱尔，H.，和维斯科特，L.（2007年）。缓慢和稀疏性导致位置、头部方向和空间视图细胞的产生。
    • 单词分析:
      • slowness:名词，由“slow”（慢的）+“-ness”（名词后缀）构成，词义：缓慢。
        • 记忆方法:“slow”（慢）+“-ness”（表示性质），就是缓慢的性质。
        • 形近词:slowness/slow（慢的）、slowly（缓慢地）。
        • 发音解析:
          • 音节分解:slow + ness /ˈsloʊnəs/，重音在第一音节
          • 规则:slow → /sloʊ/， “slow” 发 /sloʊ/ 音，其中 “s” 发 /s/ 音，“o” 发长元音 /oʊ/。
          • 规则:ness → /nəs/， “ness” 发 /nəs/ 音，其中 “n” 发 /n/ 音，“e” 发短元音 /ə/。
    • sparseness:名词，由“sparse”（稀疏的）+“-ness”（名词后缀）构成，词义：稀疏性。
      • 记忆方法:“sparse”（稀疏）+“-ness”（表示性质），就是稀疏的性质。
      • 形近词:sparseness/sparse（稀疏的）、sparsely（稀疏地）。
      • 发音解析:
        • 音节分解:spar + se + ness /ˈspɑːrsnəs/，重音在第一音节
        • 规则:spar → /spɑːr/， “spar” 发 /spɑːr/ 音，其中 “s” 发 /s/ 音，“a” 发长元音 /ɑː/。
        • 规则:se → /s/， “se” 发 /s/ 音，其中 “s” 发 /s/ 音。
        • 规则:ness → /nəs/， “ness” 发 /nəs/ 音，其中 “n” 发 /n/ 音，“e” 发短元音 /ə/。
  • Franzius, M., Wilbert, N., and Wiskott, L. (2008). Invariant object recognition with slow feature analysis. In Artificial Neural Networks - ICANN 2008, pages 961–970. Springer.
    • 固定搭配:“invariant object recognition”意为“不变目标识别”；“feature analysis”意为“特征分析”。
    • 句子分析:介绍作者及文章，“Invariant object recognition with slow feature analysis”是文章主题，后面介绍了发表会议的相关信息。
    • 翻译:弗兰齐乌斯，M.，威尔伯特，N.，和维斯科特，L.（2008年）。基于慢特征分析的不变目标识别。在人工神经网络 - ICANN 2008会议，第961 - 970页。施普林格出版社。
    • 单词分析:
      • invariant:形容词，词源来自拉丁语“in-”（不）+“varius”（变化的），词义：不变的。
        • 记忆方法:“in-”（否定）+“variant”（变化的），就是不变的。
        • 形近词:invariant/variant（变体）、variation（变化）。
        • 发音解析:
          • 音节分解:in + var + iant /ɪnˈveəriənt/，重音在第二音节
          • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/。
          • 规则:var → /veə(r)/， “var” 发 /veə(r)/ 音，其中 “v” 发 /v/ 音，“a” 发长元音 /eə(r)/。
          • 规则:iant → /iənt/， “iant” 发 /iənt/ 音，其中 “i” 发长元音 /iə/。
  • Frasconi, P., Gori, M., and Sperduti, A. (1997). On the efficient classification of data structures by neural networks. In Proc. Int. Joint Conf. on Artificial Intelligence.
    • 固定搭配:“efficient classification”意为“高效分类”。
    • 句子分析:介绍作者及文章，“On the efficient classification of data structures by neural networks”是文章主题，后面介绍了发表会议的相关信息。
    • 翻译:弗拉斯科尼，P.，戈里，M.，和斯佩尔杜蒂，A.（1997年）。关于神经网络对数据结构的高效分类。在国际人工智能联合会议论文集。
    • 单词分析:
      • efficient:形容词，词源来自拉丁语“efficere”（完成；实现），词义：高效的；有效率的。
        • 记忆方法:“ef-”（出）+“fic”（做）+“-ient”（形容词后缀），做出成果就是高效的。
        • 形近词:efficient/efficiency（效率）、inefficient（无效率的）。
        • 发音解析:
          • 音节分解:ef + fi + cient /ɪˈfɪʃnt/，重音在第二音节
          • 规则:ef → /ɪf/， “ef” 发 /ɪf/ 音，其中 “e” 发短元音 /ɪ/。
          • 规则:fi → /fɪ/， “fi” 发 /fɪ/ 音，其中 “f” 发 /f/ 音。
          • 规则:cient → /ʃnt/， “cient” 发 /ʃnt/ 音，其中 “c” 发 /ʃ/ 音。
  • Frasconi, P., Gori, M., and Sperduti, A. (1998).
    • 句子分析:仅介绍作者和年份，无复杂内容，直接跳过分析。
# 学习
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

刚刚！Codex Harness 全面开源：OpenAI 向开发者开放 Agent 运行时底层，三层集成接口完整解析

avatar AI编程社区
cover

DeepSeek Harness 子代理教程：在 rc.8 中接入 Codex 与 Claude Code

avatar AI编程社区
cover

使用ChatGPT登录到Codex卡住？2026年6种排查与解决方法

avatar AI编程社区