Fugu-MT 論文翻訳(概要): A Span-based Linearization for Constituent Trees

論文の概要: A Span-based Linearization for Constituent Trees

arxiv url: http://arxiv.org/abs/2004.14704v2
Date: Fri, 1 May 2020 11:42:39 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 03:02:52.845644
Title: A Span-based Linearization for Constituent Trees
Title（参考訳）: 構成木に対するスパンベース線形化
Authors: Yang Wei, Yuanbin Wu, and Man Lan
Abstract要約: 我々のモデルは、その分割点で終わるすべてのスパン上の正規化子を計算し、それからそれらから伸びる木を予測する。グローバルモデルと比較すると,我々のモデルは高速かつ並列化可能である。
参考スコア（独自算出の注目度）: 26.012755379130844
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel linearization of a constituent tree, together with a new locally normalized model. For each split point in a sentence, our model computes the normalizer on all spans ending with that split point, and then predicts a tree span from them. Compared with global models, our model is fast and parallelizable. Different from previous local models, our linearization method is tied on the spans directly and considers more local features when performing span prediction, which is more interpretable and effective. Experiments on PTB (95.8 F1) and CTB (92.4 F1) show that our model significantly outperforms existing local models and efficiently achieves competitive results with global models.
Abstract（参考訳）: 本稿では,新しい局所正規化モデルとともに構成木の線形化を提案する。文の各スプリットポイントに対して、我々のモデルはスプリットポイントで終わるすべてのスパンの正規化子を計算し、そのスパンからツリースパンを予測する。グローバルモデルと比較すると,我々のモデルは高速かつ並列化可能である。従来の局所モデルと異なり,線形化手法はスパンに直接依存し,スパン予測を行う際により局所的な特徴を考慮し,より解釈可能かつ効果的である。 PTB (95.8 F1) と CTB (92.4 F1) の実験は、我々のモデルが既存のローカルモデルを大幅に上回り、グローバルモデルとの競合性を効果的に達成していることを示している。

関連論文リスト

Hybrid State Space-based Learning for Sequential Data Prediction with Joint Optimization [0.0]
本稿では,従来の非線形予測モデルにおいて,ドメイン固有の特徴工学的問題の必要性を緩和するハイブリッドモデルを提案する。基本モデルに対する新しい状態空間表現を導入し、ハイブリッドやアンサンブルの完全な状態空間表現を提供する。このような新しい組み合わせと共同最適化により、広く公開されている実生活競合データセットの大幅な改善が示された。
論文参考訳（メタデータ） (2023-09-19T12:00:28Z)
Anchor Points: Benchmarking Models with Much Fewer Examples [88.02417913161356]
6つの人気のある言語分類ベンチマークでは、多数の点の正しいクラスに対するモデル信頼度はモデル間で強く相関している。 Anchor Point Selectionは,データセット全体にわたるモデル動作をキャプチャする,データセットの小さなサブセットを選択する手法である。平均絶対誤差が低いデータセットの他のすべての点について、クラスごとの予測モデルを推定するために、いくつかのアンカーポイントを使用することができる。
論文参考訳（メタデータ） (2023-09-14T17:45:51Z)
The Bayesian Context Trees State Space Model for time series modelling and forecasting [8.37609145576126]
実数値時系列に対してリッチな混合モデルを開発するための階層的ベイズフレームワークが導入された。最上位では、有意義な離散状態が、最新のサンプルの適切な定量値として特定される。下位レベルでは、実数値時系列(ベースモデル)の異なる任意のモデルが各状態と関連付けられている。
論文参考訳（メタデータ） (2023-08-02T02:40:42Z)
Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文参考訳（メタデータ） (2022-09-15T15:41:47Z)
Short-answer scoring with ensembles of pretrained language models [0.0]
我々は、人気の小さな、ベース、そして大きな事前訓練されたトランスフォーマーベースの言語モデルの集合を微調整する。これらのモデルのアンサンブルをテストするために、データセット上に1つのフィーチャーベースモデルをトレーニングします。一般に、より大型のモデルの方が若干性能が良いが、それでも最先端の結果には達していない。
論文参考訳（メタデータ） (2022-02-23T15:12:20Z)
Fed-ensemble: Improving Generalization through Model Ensembling in Federated Learning [5.882234707363695]
Fed-ensembleがFederated Learning(FL)にモデルアンサンブルをもたらすフェデアンサンブルは確立されたFL法で容易に利用することができる。
論文参考訳（メタデータ） (2021-07-21T14:40:14Z)
Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
論文参考訳（メタデータ） (2021-06-20T02:15:20Z)
Provable Model-based Nonlinear Bandit and Reinforcement Learning: Shelve Optimism, Embrace Virtual Curvature [61.22680308681648]
決定論的報酬を有する1層ニューラルネットバンディットにおいても,グローバル収束は統計的に難解であることを示す。非線形バンディットとRLの両方に対して,オンラインモデル学習者による仮想アセンジ(Virtual Ascent with Online Model Learner)というモデルベースアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-08T12:41:56Z)
A linearized framework and a new benchmark for model selection for fine-tuning [112.20527122513668]
異なるドメインで事前訓練されたモデルの集合からの微調整は、低データ体制におけるテストの精度を向上させる技術として現れている。モデル選択のための2つの新しいベースライン - Label-Gradient と Label-Feature correlation を導入する。我々のベンチマークでは、微調整されたイメージネットモデルと比較して、モデル動物園での精度向上が強調されている。
論文参考訳（メタデータ） (2021-01-29T21:57:15Z)
Generalizing Gain Penalization for Feature Selection in Tree-based Models [0.0]
従来の手法は十分な正規化を行なわず、しばしばサンプル外の準最適性能を示すことを示す。我々は,木系モデルの局所正規化を一般化した新たなゲインペナライズ手法を開発した。シミュレーションデータと実データの両方で本手法を検証し,Rパッケージレンジャーの拡張として実装する。
論文参考訳（メタデータ） (2020-06-12T23:55:52Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。