論文の概要: Multi-task Learning Based Neural Bridging Reference Resolution

• arxiv url: http://arxiv.org/abs/2003.03666v2
• Date: Sat, 31 Oct 2020 11:09:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 19:49:25.511275
• Title: Multi-task Learning Based Neural Bridging Reference Resolution
• Title（参考訳）: マルチタスク学習に基づくニューラルブリッジ参照分解能
• Authors: Juntao Yu and Massimo Poesio
• Abstract要約: マルチタスク学習を用いて、参照解像度をコア参照解像度でブリッジする。 我々は,このアーキテクチャによる全ブリッジ解像度において,最大8pの大幅な改善が達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 15.341663614426796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a multi task learning-based neural model for resolving bridging references tackling two key challenges. The first challenge is the lack of large corpora annotated with bridging references. To address this, we use multi-task learning to help bridging reference resolution with coreference resolution. We show that substantial improvements of up to 8 p.p. can be achieved on full bridging resolution with this architecture. The second challenge is the different definitions of bridging used in different corpora, meaning that hand-coded systems or systems using special features designed for one corpus do not work well with other corpora. Our neural model only uses a small number of corpus independent features, thus can be applied to different corpora. Evaluations with very different bridging corpora (ARRAU, ISNOTES, BASHI and SCICORP) suggest that our architecture works equally well on all corpora, and achieves the SoTA results on full bridging resolution for all corpora, outperforming the best reported results by up to 36.3 p.p..
• Abstract（参考訳）: 本稿では,2つの課題に対処するブリッジ参照を解決するためのマルチタスク学習型ニューラルモデルを提案する。 第一の課題は、大きなコーポラの欠如とブリッジの参照である。 これに対処するために、私たちはマルチタスク学習を使用して、参照解像度をコリファレンスレゾリューションで橋渡しするのに役立ちます。 このアーキテクチャによる完全なブリッジ解像度では,最大8pの大幅な改善が達成可能であることを示す。 2つめの課題は、異なるコーパスで使用されるブリッジの異なる定義である。つまり、1つのコーパス用に設計された特別な特徴を用いたハンドコードされたシステムやシステムは、他のコーパスとうまく動作しない。 我々のニューラルモデルは少数のコーパス独立機能のみを使用するため、異なるコーパスに適用することができる。 全く異なるブリッジングコーパス(arrau、isnotes、bashi、scicorp)による評価では、我々のアーキテクチャは全てのコーパスで等しく動作し、すべてのコーパスに対して完全なブリッジング解像度でsota結果を達成し、最大36.3 p. のベストな結果を上回っています。

関連論文リスト

• Hybrid Rule-Neural Coreference Resolution System based on Actor-Critic Learning [53.73316523766183]
  コアレゾリューションシステムは2つの主要なタスクに取り組む必要がある。 ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。 本稿では,アクター・クリティカル・ラーニングに基づく複合ルール・ニューラル・コア参照解決システムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T08:55:47Z)
• Neural Coreference Resolution based on Reinforcement Learning [53.73316523766183]
  コアレゾリューションシステムは2つのサブタスクを解決する必要がある。 ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。 本稿では,アクターをベースとした強化学習型ニューラルコア参照分解システムを提案する。
  論文  参考訳（メタデータ） (2022-12-18T07:36:35Z)
• Deep Model Reassembly [60.6531819328247]
  我々はDeep Model Reassembly(DeRy)と呼ばれる新しい知識伝達タスクを探索する。 DeRyの目標は、まず各モデルを固有のビルディングブロックに分割し、それから派生したブロックを選択的に再組み立てて、カスタマイズされたネットワークを生成することである。 ImageNetでは、最高の再組み立てモデルは微調整なしで78.6%のトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2022-10-24T10:16:13Z)
• One-Shot Neural Ensemble Architecture Search by Diversity-Guided Search Space Shrinking [97.60915598958968]
  本稿では,この2つの課題に対処するワンショットニューラルアンサンブルアーキテクチャサーチ(NEAS)ソリューションを提案する。 最初の課題として,探索空間の縮小を導くために,多様性に基づく新しい指標を導入する。 第2の課題として,異なるモデル間の階層共有を効率向上のために学習する新たな探索次元を実現する。
  論文  参考訳（メタデータ） (2021-04-01T16:29:49Z)
• Neural Learning of One-of-Many Solutions for Combinatorial Problems in Structured Output Spaces [20.101005623256626]
  複数のソリューションの存在に消極的であることは、トレーニング能力を著しく損なう可能性がある、と私たちは主張する。 本稿では、既存の予測ネットワークをRL問題に適用し、解乗法を扱う汎用学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T08:37:01Z)
• Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
  両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。 多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。 さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
  論文  参考訳（メタデータ） (2020-07-16T02:00:53Z)
• BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture [82.64881585566825]
  本稿では,新たな双方向O字型ネットワーク(BiO-Net)を提案する。 提案手法は,バニラU-Netおよび他の最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-01T05:07:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。