論文の概要: Unsupervised Transfer of Semantic Role Models from Verbal to Nominal Domain

• arxiv url: http://arxiv.org/abs/2005.00278v2
• Date: Sat, 26 Sep 2020 12:56:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 22:52:32.612831
• Title: Unsupervised Transfer of Semantic Role Models from Verbal to Nominal Domain
• Title（参考訳）: 言語から名詞領域への意味的役割モデルの教師なし移行
• Authors: Yanpeng Zhao and Ivan Titov
• Abstract要約: そこで本研究では,目的の名詞領域のラベル付きデータのみを用いて,目的の名詞領域のロールアノテートデータを仮定するトランスファーシナリオについて検討する。 我々の重要な前提は、二つの領域間の移動を可能にすることであり、ある役割の選択的選好は、その関係が動詞または名詞によって引き起こされるかどうかに強く依存しないということである。 この手法は、英語のCoNLL-2009データセットに基づいて、教師なしや直接転送などのベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 65.04669567781634
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semantic role labeling (SRL) is an NLP task involving the assignment of predicate arguments to types, called semantic roles. Though research on SRL has primarily focused on verbal predicates and many resources available for SRL provide annotations only for verbs, semantic relations are often triggered by other linguistic constructions, e.g., nominalizations. In this work, we investigate a transfer scenario where we assume role-annotated data for the source verbal domain but only unlabeled data for the target nominal domain. Our key assumption, enabling the transfer between the two domains, is that selectional preferences of a role (i.e., preferences or constraints on the admissible arguments) do not strongly depend on whether the relation is triggered by a verb or a noun. For example, the same set of arguments can fill the Acquirer role for the verbal predicate `acquire' and its nominal form `acquisition'. We approach the transfer task from the variational autoencoding perspective. The labeler serves as an encoder (predicting role labels given a sentence), whereas selectional preferences are captured in the decoder component (generating arguments for the predicting roles). Nominal roles are not labeled in the training data, and the learning objective instead pushes the labeler to assign roles predictive of the arguments. Sharing the decoder parameters across the domains encourages consistency between labels predicted for both domains and facilitates the transfer. The method substantially outperforms baselines, such as unsupervised and `direct transfer' methods, on the English CoNLL-2009 dataset.
• Abstract（参考訳）: semantic role labeling (srl) はsemantic roleと呼ばれる型への述語引数の割り当てを含むnlpタスクである。 SRLの研究は主に動詞の述語に重点を置いており、SRLで利用可能な多くのリソースは動詞にのみアノテーションを提供するが、意味的関係はしばしば他の言語的構造、例えば名詞化によって引き起こされる。 本研究では,対象の名詞ドメインに対してのみラベル付きデータのみを付与し,ソース言語領域に対してロールアノテートデータを仮定する転送シナリオについて検討する。 この2つの領域間の移動を可能にする主要な仮定は、ある役割の選択的選好(すなわち許容される引数の好みや制約)が、その関係が動詞または名詞によって引き起こされるかどうかに強く依存しないということである。 例えば、同じ議論のセットは、動詞の述語である「acquire」とその名目的語である「acquisition」の獲得者の役割を満たすことができる。 我々は変分オートエンコーディングの観点からトランスファータスクにアプローチする。 ラベルはエンコーダ(文に与えられたロールラベルを予測する)として機能し、選択の選好はデコーダコンポーネント(予測ロールの引数を生成する)でキャプチャされる。 名詞の役割はトレーニングデータにラベル付けされず、学習目的は代わりにラベル付け者に引数の予測的な役割を割り当てるよう促す。 ドメイン間でデコーダパラメータを共有することは、両方のドメインで予測されるラベル間の一貫性を促進し、転送を促進する。 このメソッドは、unsupervised や ‘direct transfer' メソッドのようなベースラインを、英語の conll-2009 データセット上で実質的に上回っている。

関連論文リスト

• Semantic Role Labeling Meets Definition Modeling: Using Natural Language to Describe Predicate-Argument Structures [104.32063681736349]
  本稿では,離散ラベルの代わりに自然言語定義を用いて述語-代名詞構造を記述する手法を提案する。 PropBankスタイルおよびFrameNetスタイル、依存性ベースおよびスパンベースSRLに関する実験と分析は、解釈可能な出力を持つフレキシブルモデルが必ずしも性能を犠牲にしないことを示す。
  論文  参考訳（メタデータ） (2022-12-02T11:19:16Z)
• Open-Vocabulary Argument Role Prediction for Event Extraction [70.93524366880521]
  本稿では,この本質的だが未探索な課題,すなわち開語彙的引数ロール予測を定義する。 このタスクの目標は、所定のイベントタイプに対する引数ロールのセットを推論することである。 本稿では,この課題に対する新しい教師なしフレームワークであるRolePredを提案する。
  論文  参考訳（メタデータ） (2022-11-03T04:13:37Z)
• Rethinking the Two-Stage Framework for Grounded Situation Recognition [61.93345308377144]
  接地状況認識は「人間のような」事象理解に向けた重要なステップである。 既存のGSR手法では、第1段階で動詞を予測し、第2段階での意味的役割を検出するという、2段階の枠組みを採用している。 本稿では,CFVM (Coarse-to-Fine Verb Model) と Transformer-based Noun Model (TNM) で構成される新しいGSR用SituFormerを提案する。
  論文  参考訳（メタデータ） (2021-12-10T08:10:56Z)
• An MRC Framework for Semantic Role Labeling [21.140775452024894]
  本稿では,機械読解の枠組みを用いて,述語的曖昧さと引数のラベル付けのギャップを埋めることを提案する。 述語セマンティクスとセマンティクスロールセマンティクスの両方を引数ラベリングに活用する。 実験の結果,提案したフレームワークは,スパンベンチマークと依存性ベンチマークの両方で最先端の結果が得られた。
  論文  参考訳（メタデータ） (2021-09-14T13:04:08Z)
• Learning Transferable Parameters for Unsupervised Domain Adaptation [29.962241958947306]
  非自明なドメイン適応(UDA)は、学習機械が分散シフトの下でラベル付きソースドメインからラベルなしドメインに適応できるようにする。 本稿では,学習過程におけるドメイン固有情報による副作用を軽減するためにTransferable Learning(TransPar)を提案する。
  論文  参考訳（メタデータ） (2021-08-13T09:09:15Z)
• Capturing Event Argument Interaction via A Bi-Directional Entity-Level Recurrent Decoder [7.60457018063735]
  イベント引数抽出(EAE)をSeq2Seqライクな学習問題として初めて定式化する。 新たな双方向エンティティレベルリカレントデコーダ(BERD)を用いたニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-01T02:55:12Z)
• Identifying the Limits of Cross-Domain Knowledge Transfer for Pretrained Models [9.359514457957799]
  モデルがランダムなスクランブルによって単語の同一性に関する情報を拒否されると、どの程度の転送が発生するかを調べる。 BERTだけがスクランブルされたドメインへの高い転送率を示し、分類のためにはシークエンスラベリングタスクではないことがわかった。 本分析では,移動がなぜ他のタスクで成功するのかを説明するとともに,事前学習と微調整の別々の貢献を分離し,単語頻度の役割を定量化する。
  論文  参考訳（メタデータ） (2021-04-17T00:14:39Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
  本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。 実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-10T07:50:44Z)

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。