预备调查清单

一、待核查内容列表

1. “LSTM 网络由 Bengio 等人在 1997 年提出。”

二、核查要点展开

待核查内容1：“LSTM 网络由 Bengio 等人在 1997 年提出。”

• 核查原因：
  1. 事实准确性存疑：该陈述为关于人工智能领域关键技术发展史的核心事实断言，将特定技术（LSTM）归因于特定人物（Bengio 等人）和年份（1997），其准确性需要严格验证。
  2. 核心信息核查：发明者、发明时间和技术名称是构成该陈述的三个基本要素，任何一个要素的错误都将导致整个陈述失效。
• 所需查明信息：
  1. LSTM 的原始提出者：查明首次正式提出长短期记忆（LSTM）网络模型的学者或研究团队的准确姓名。
  2. LSTM 的首次提出年份：确认包含 LSTM 概念的开创性论文或技术报告的准确发表年份。
  3. 相关人物的贡献：厘清 Yoshua Bengio 及其合作者在循环神经网络（RNN）或相关领域（如梯度消失问题）的研究贡献，以判断是否存在贡献混淆或张冠李戴的情况。
• 必要信源：
  1. 学术数据库：如 Google Scholar, IEEE Xplore, ACM Digital Library 等，用于查找并验证提出 LSTM 的原始论文。
  2. 权威学术期刊或会议论文集：查找并审阅被广泛引用的、关于 LSTM 或 RNN 的综述性论文。
  3. 领域内公认的权威著作：如 Ian Goodfellow 等人撰写的《深度学习》(Deep Learning) 教材，查阅其中关于 LSTM 发展史的章节。
• 核查优先级：高

行动计划

1. 通过学术搜索引擎，使用关键词“Long Short-Term Memory”、“LSTM original paper”等，定位首次提出 LSTM 概念的原始学术论文。
2. 仔细核对所找到的原始论文的作者列表、发表年份及发表刊物/会议，以确定 LSTM 的真正提出者和准确的提出时间。
3. 查找人工智能和深度学习领域的权威综述文章或经典教科书，查阅其中关于 LSTM 历史的章节，与原始论文的信息进行交叉比对，确保信息的一致性和准确性。
4. 检索 Yoshua Bengio 在 1997 年前后关于循环神经网络（RNN）和梯度消失问题的研究论文，明确其在该领域的具体贡献，以判断待核查陈述是否将不同学者的贡献混淆。

首先，我需要搜索 LSTM 网络的起源和发明者信息。

我将对这个引用进行深入核查："LSTM 网络由 Bengio 等人在 1997 年提出。"

首先，我需要搜索更多关于LSTM网络起源的具体信息。

我需要查找更多关于LSTM网络的原始论文和发明者信息，以确认LSTM网络是否由Bengio等人在1997年提出。

我需要查找LSTM网络的原始论文信息，以确认其真正的发明者和发表年份。

已核查结论清单

已核查内容1：“LSTM 网络由 Bengio 等人在 1997 年提出。”

• 初步结论：错误。长短期记忆网络（LSTM）由 Sepp Hochreiter 和 Jürgen Schmidhuber 在 1997 年提出，而非 Yoshua Bengio 等人。
• 信源支撑要点：
  1. 多个独立的学术数据库和出版商网站均将 1997 年发表于《Neural Computation》期刊的论文《Long Short-Term Memory》的作者明确标注为 Sepp Hochreiter 和 Jürgen Schmidhuber。
  2. 多篇权威的综述性论文和深度学习教材在追溯 LSTM 的起源时，一致将这项工作归功于 Hochreiter 和 Schmidhuber 在 1997 年的开创性论文。
  3. 在关于深度学习先驱的讨论中，Yoshua Bengio 因其在神经网络领域的奠基性贡献（特别是关于梯度消失问题的研究）而闻名，并与 Geoffrey Hinton、Yann LeCun 共同获得 2018 年图灵奖，但这与其并非 LSTM 的提出者这一事实不冲突。原始待核查陈述可能混淆了不同学者在相关领域的贡献。
• 证据：
  1. 原文摘录：Long Short-Term Memory · Sepp Hochreiter, J. Schmidhuber · Published in Neural Computation 1 November 1997 · Computer Science.
     链接：https://www.semanticscholar.org/paper/Long-Short-Term-Memory-Hochreiter-Schmidhuber/2e9d221c206e9503ceb452302d68d10e293f2a10
     信源名称：Semantic Scholar
     信源发布时间：1997-11-01
  2. 原文摘录：The most successful RNN architectures for sequence learning stem from two papers published in 1997. The first paper, Long Short-Term Memory by Hochreiter and Schmidhuber [1997], introduces the memory cell, a unit of computation that replaces traditional nodes in the hidden layer of a network.
     链接：http://arxiv.org/pdf/1506.00019v3
     信源名称：arXiv.org (A Critical Review of Recurrent Neural Networks for Sequence Learning)
     信源发布时间：未知（论文版本v3提交于2015年）
  3. 原文摘录：Long short-term memory network is an advanced recurrent neural network (Hochreiter and Schmidhuber, 1997) and provides a well-constructed structure...
     链接：https://www.sciencedirect.com/topics/chemical-engineering/long-short-term-memory
     信源名称：ScienceDirect Topics
     信源发布时间：未知
  4. 原文摘录：长期以来，隐变量模型存在着长期信息保存和短期输入缺失的问题。 解决这一问题的最早方法之一是长短期存储器（long short-term memory，LSTM） ( Hochreiter and Schmidhuber, 1997 )。
     链接：https://zhuanlan.zhihu.com/p/719122101
     信源名称：知乎专栏 (动手学深度学习)
     信源发布时间：2024-09-10
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

待核查内容1：“LSTM 网络由 Bengio 等人在 1997 年提出。”

• 核查原因：
  1. 核心事实已证伪，但为了使核查报告更具深度和说服力，有必要探究该错误陈述可能产生的根源，即澄清 Yoshua Bengio 在相关领域的具体贡献，以解释为何会发生贡献归属的混淆。
• 所需查明信息：
  1. 查明 Yoshua Bengio 及其合作者在 1997 年前后，特别是在 1994 年至 1997 年间，针对循环神经网络（RNN）和梯度消失/爆炸问题发表的关键性研究成果。
  2. 确认 Bengio 的研究与 Hochreiter & Schmidhuber 提出的 LSTM 之间的确切关系（例如，前者是否深刻揭示了 LSTM 所要解决的问题）。
• 必要信源：
  1. 权威学术数据库（如 Google Scholar, DBLP, arXiv）中的相关论文。
  2. 深度学习领域的权威历史综述或教科书。
• 核查优先级：中

行动计划

1. 在学术数据库中检索 Yoshua Bengio 在 1994 年至 1997 年间发表的、以“recurrent neural networks”、“gradient vanishing”、“long-term dependencies”等为主题的论文。
2. 审阅检索到的关键论文的摘要和结论部分，明确其核心贡献，并与 LSTM 旨在解决的问题进行对比分析。

我需要查找更多关于Bengio在1994年发表的关于梯度消失问题的论文，以及他与LSTM的关系。

我需要查找更多关于LSTM的原始论文信息，以确认其真正的发明者和发表年份。

我需要查找更多关于LSTM的原始论文信息，特别是作者和发表年份。

已核查结论清单

已核查内容1：“LSTM 网络由 Bengio 等人在 1997 年提出。”

• 初步结论：错误。
• 信源支撑要点：
  1. 多个独立的学术数据库、出版商网站和权威综述论文均明确指出，长短期记忆网络（LSTM）由 Sepp Hochreiter 和 Jürgen Schmidhuber 在 1997 年发表的论文《Long Short-Term Memory》中首次提出。
  2. Yoshua Bengio 及其合作者在 1994 年发表了关键论文《Learning long-term dependencies with gradient descent is difficult》，该论文深入分析并揭示了传统循环神经网络（RNN）在学习长序列数据时面临的“梯度消失”和“梯度爆炸”问题。
  3. LSTM 的设计初衷正是为了解决 Bengio 等人所阐明的长期依赖问题。因此，原始待核查陈述极有可能是将“问题的关键分析者”与“解决方案的提出者”进行了混淆。
• 证据：
  1. 原文摘录：Long Short-Term Memory · Sepp Hochreiter, J. Schmidhuber · Published in Neural Computation 1 November 1997 · Computer Science.
     链接：https://www.semanticscholar.org/paper/Long-Short-Term-Memory-Hochreiter-Schmidhuber/2e9d221c206e9503ceb452302d68d10e293f2a10
     信源名称：Semantic Scholar
     信源发布时间：1997-11-01
  2. 原文摘录：长期以来，隐变量模型存在着长期信息保存和短期输入缺失的问题。 解决这一问题的最早方法之一是长短期存储器（long short-term memory，LSTM） ( Hochreiter and Schmidhuber, 1997 )。
     链接：https://zhuanlan.zhihu.com/p/719122101
     信源名称：知乎专栏（动手学深度学习）
     信源发布时间：2024-09-10
  3. 原文摘录：Learning long-term dependencies with gradient descent is difficult. Yoshua Bengio, Patrice Simard, Paolo Frasconi. IEEE Trans. on Neural Networks 1994.
     链接：https://pdfs.semanticscholar.org/ba18/247cd3ce9f711eecc7296f1c3561dbfb6cc2.pdf
     信源名称：Semantic Scholar
     信源发布时间：1994
  4. 原文摘录：Unfortunately, it has been observed by, e.g., Bengio et al. [1994] that it is difficult to train RNNs to capture long-term dependencies because the gradients tend to either vanish (most of the time) or explode (rarely, but with severe effects).
     链接：http://arxiv.org/pdf/1412.3555v1
     信源名称：arXiv.org (Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling)
     信源发布时间：2014-12-08
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

待核查内容1：Hochreiter 和 Schmidhuber 在 1997 年的 LSTM 论文中是否直接引用或论述了 Bengio 等人在 1994 年关于梯度问题的研究。

• 核查原因：
  1. 明确两者之间的学术传承关系，可以为“为何会产生将 LSTM 归功于 Bengio 的错误”提供更直接、更具说服力的解释，从而使事实核查报告的逻辑链条更加完整和严谨。
• 所需查明信息：
  1. 查找 1997 年 LSTM 原始论文的参考文献列表或引言部分，确认其中是否包含对 Bengio, Simard, and Frasconi (1994) 论文的引用。
• 必要信源：
  1. 《Long Short-Term Memory》 (Hochreiter & Schmidhuber, 1997) 论文全文或包含参考文献的部分。
• 核查优先级：高

行动计划

1. 查找 Sepp Hochreiter 和 Jürgen Schmidhuber 于 1997 年发表的论文《Long Short-Term Memory》的全文版本。
2. 仔细审阅该论文的引言、背景介绍以及参考文献部分，确认其中是否引用了 Yoshua Bengio 等人 1994 年关于学习长期依赖困难的研究成果。

我需要查找更多关于LSTM原始论文的信息，特别是查看原论文是否引用了Bengio的工作。

我需要进一步查找Bengio 1994年的论文，以确认他在梯度消失问题上的贡献。

我需要查找更多关于LSTM原始论文中是否引用了Bengio 1994年的工作的信息。

已核查结论清单

已核查内容1：“LSTM 网络由 Bengio 等人在 1997 年提出。”

• 初步结论：错误。
• 信源支撑要点：
  1. 大量独立的学术数据库、出版商网站、权威综述论文及教科书均明确指出，长短期记忆网络（LSTM）由 Sepp Hochreiter 和 Jürgen Schmidhuber 在 1997 年发表的论文《Long Short-Term Memory》中首次提出。
  2. Yoshua Bengio 及其合作者在 1994 年发表了关键论文《Learning long-term dependencies with gradient descent is difficult》，该论文深入分析并揭示了传统循环神经网络（RNN）在学习长序列数据时面临的“梯度消失”和“梯度爆炸”问题，这是LSTM旨在解决的核心难题。
  3. Hochreiter 和 Schmidhuber 在其 1997 年的 LSTM 原始论文中，明确引用并讨论了 Bengio 等人 1994 年的研究成果，证实了两者之间的学术传承关系：Bengio 等人深刻地阐述了问题，而 Hochreiter 和 Schmidhuber 提出了 LSTM 作为解决方案。
  4. 因此，原始待核查陈述极有可能是将“问题的关键分析者”（Bengio）与“解决方案的提出者”（Hochreiter & Schmidhuber）进行了混淆。
• 证据：
  1. 原文摘录：Long Short-Term Memory · Sepp Hochreiter, J. Schmidhuber · Published in Neural Computation 1 November 1997 · Computer Science.
     链接：https://www.semanticscholar.org/paper/Long-Short-Term-Memory-Hochreiter-Schmidhuber/2e9d221c206e9503ceb452302d68d10e293f2a10
     信源名称：Semantic Scholar
     信源发布时间：1997-11-01
  2. 原文摘录：Learning long-term dependencies with gradient descent is difficult. Yoshua Bengio, Patrice Simard, Paolo Frasconi.
     链接：https://ieeexplore.ieee.org/document/279181
     信源名称：IEEE Transactions on Neural Networks
     信源发布时间：1994-03
  3. 原文摘录：A very similar, more recent analysis was presented by Bengio et al. 1994.
     链接：https://www.researchgate.net/publication/13853244_Long_Short-term_Memory
     信源名称：ResearchGate (Hochreiter & Schmidhuber, 1997 论文页面)
     信源发布时间：1997
  4. 原文摘录：Long Short-Term Memory networks (Hochreiter & Schmidhuber, 1997) aim to mitigate the exploding and vanishing gradient problem (Bengio et al., 1994 ...
     链接：https://www.sciencedirect.com/science/article/abs/pii/S0893608021003439
     信源名称：ScienceDirect
     信源发布时间：2021
• 信源结论一致性：一致
• 是否需复核：否

待补充核查清单

（无）

行动计划

（无）