論文の概要: The NYU-CUBoulder Systems for SIGMORPHON 2020 Task 0 and Task 2

• arxiv url: http://arxiv.org/abs/2006.11830v1
• Date: Sun, 21 Jun 2020 15:41:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 11:29:22.448059
• Title: The NYU-CUBoulder Systems for SIGMORPHON 2020 Task 0 and Task 2
• Title（参考訳）: sigmorphon 2020タスク0とタスク2のためのnyu-cuboulderシステム
• Authors: Assaf Singer and Katharina Kann
• Abstract要約: SIGMORPHON 2020 Task 0におけるNYU-CUBoulderシステムについて述べる。 前者は、レムマから形態的屈折を発生させ、対象形態を記述する形態的特徴の集合からなる。 後者は、原文のみから与えられた補題の集合に対するパラダイム全体を生成する必要がある。
• 参考スコア（独自算出の注目度）: 25.234256237085336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We describe the NYU-CUBoulder systems for the SIGMORPHON 2020 Task 0 on typologically diverse morphological inflection and Task 2 on unsupervised morphological paradigm completion. The former consists of generating morphological inflections from a lemma and a set of morphosyntactic features describing the target form. The latter requires generating entire paradigms for a set of given lemmas from raw text alone. We model morphological inflection as a sequence-to-sequence problem, where the input is the sequence of the lemma's characters with morphological tags, and the output is the sequence of the inflected form's characters. First, we apply a transformer model to the task. Second, as inflected forms share most characters with the lemma, we further propose a pointer-generator transformer model to allow easy copying of input characters. Our best performing system for Task 0 is placed 6th out of 23 systems. We further use our inflection systems as subcomponents of approaches for Task 2. Our best performing system for Task 2 is the 2nd best out of 7 submissions.
• Abstract（参考訳）: 本稿では,sigmorphon 2020タスク0のnyu-cuboulderシステムについて,タイプ論的に多様な形態的変形について,教師なし形態的パラダイムの完成に関するタスク2について述べる。 前者は、レムマから形態的屈折を発生させ、対象形態を記述する形態的特徴の集合からなる。 後者は、原文のみから与えられた補題の集合のパラダイム全体を生成する必要がある。 入力は形態素タグを持つ補題の文字のシーケンスであり、出力は帰納形式の文字のシーケンスである。 まず、タスクにトランスフォーマーモデルを適用する。 第二に,インフレクション形式がほとんどの文字を補題と共有するので,入力文字のコピーを容易にするポインタ生成トランスフォーマモデルも提案する。 タスク0の最高のパフォーマンスシステムは、23のシステムのうち6番目に置かれます。 我々はさらに、タスク2のアプローチのサブコンポーネントとして、インフレクションシステムを使用します。 タスク2の最高のパフォーマンスシステムは、7つの投稿のうち2番目です。

関連論文リスト

• A Framework for Bidirectional Decoding: Case Study in Morphological Inflection [4.602447284133507]
  外部からシーケンスを復号するフレームワークを提案する。 各ステップで、モデルは左、右にトークンを生成するか、左と右のシーケンスを結合するかを選択します。 我々のモデルは2022年と2023年の共有タスクに最先端のSOTA(State-of-the-art)を設定し、それぞれ平均精度4.7ポイントと2.7ポイント以上で次の最高のシステムを上回った。
  論文  参考訳（メタデータ） (2023-05-21T22:08:31Z)
• Hierarchical Phrase-based Sequence-to-Sequence Learning [94.10257313923478]
  本稿では、学習中の帰納バイアスの源として階層的フレーズを取り入れ、推論中の明示的な制約として、標準的なシーケンス・ツー・シーケンス(seq2seq)モデルの柔軟性を維持するニューラルトランスデューサについて述べる。 本手法では,木が原文と対象句を階層的に整列するブラケット文法に基づく識別的導出法と,整列した句を1対1で翻訳するニューラルネットワークセク2セックモデルという2つのモデルを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T05:22:40Z)
• G2P-DDM: Generating Sign Pose Sequence from Gloss Sequence with Discrete Diffusion Model [8.047896755805981]
  Sign Language Productionプロジェクトは、音声言語を手話列に自動的に翻訳することを目的としている。 本稿では,連続ポーズ空間生成問題を離散列生成問題に変換することで,新しい解を提案する。 以上の結果から,我々のモデルは,公共SLP評価ベンチマークにおいて,最先端のG2Pモデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-08-19T03:49:13Z)
• Modeling Target-Side Morphology in Neural Machine Translation: A Comparison of Strategies [72.56158036639707]
  形態的に豊かな言語は機械翻訳に困難をもたらす。 多数の異なる屈折する単語曲面は、より大きな語彙を必要とする。 いくつかの頻度の低い用語は、通常、トレーニングコーパスには現れない。 言語的合意は、出力文中の屈折語形間の文法的カテゴリを正しく一致させる必要がある。
  論文  参考訳（メタデータ） (2022-03-25T10:13:20Z)
• Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
  Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。 MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-01T16:52:03Z)
• Inducing Transformer's Compositional Generalization Ability via Auxiliary Sequence Prediction Tasks [86.10875837475783]
  体系的な構成性は人間の言語において必須のメカニズムであり、既知の部品の組換えによって新しい表現を作り出すことができる。 既存のニューラルモデルには、記号構造を学習する基本的な能力がないことが示されている。 本稿では,関数の進行と引数のセマンティクスを追跡する2つの補助シーケンス予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-30T16:41:19Z)
• The SIGMORPHON 2020 Shared Task on Unsupervised Morphological Paradigm Completion [28.728844366333185]
  本稿では, SIGMORPHON 2020共有課題における非教師なし形態素パラダイムの完成に関する知見について述べる。 参加者は、原文とレムマのリストを入力とし、すべての入力フォームを出力するシステムを提出するよう求められた。 ここでは、この共有タスクがトピックに関するさらなる研究の基礎となるよう分析を行う。
  論文  参考訳（メタデータ） (2020-05-28T03:09:58Z)
• The IMS-CUBoulder System for the SIGMORPHON 2020 Shared Task on Unsupervised Morphological Paradigm Completion [27.37360427124081]
  我々は、Stuttgart IMS大学とコロラド大学ボルダー校のSIGMORPHON 2020 Task 2における、教師なし形態素パラダイムの完成に関するシステムについて紹介する。 このタスクは、レムマ自体とラベルなしのテキストのみを与えられた一連のレムマのモルフォロジーパラダイムを生成することで構成されている。 我々のポインタジェネレータシステムは、全ての言語で平均して7つの提案されたシステムの中で最高のスコアを取得し、ブルガリア語とカンナダ語において、総合的に最も優れた公式ベースラインを上回ります。
  論文  参考訳（メタデータ） (2020-05-25T21:23:52Z)
• Towards Reasonably-Sized Character-Level Transformer NMT by Finetuning Subword Systems [78.80826533405019]
  トークンセグメンテーションを必要とせずに文字レベルで機能するニューラルネットワーク翻訳モデルが得られることを示す。 我々の研究は、非常に大きくないキャラクタベースモデルを訓練しやすく、高性能化するための重要な一歩である。
  論文  参考訳（メタデータ） (2020-04-29T15:56:02Z)
• A Simple Joint Model for Improved Contextual Neural Lemmatization [60.802451210656805]
  本稿では,20言語で最先端の成果を得られる,単純結合型ニューラルモデルを提案する。 本論文では,トレーニングと復号化に加えて,本モデルについて述べる。
  論文  参考訳（メタデータ） (2019-04-04T02:03:19Z)

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。