Fugu-MT 論文翻訳(概要): Challenges for Computational Lexical Semantic Change

論文の概要: Challenges for Computational Lexical Semantic Change

arxiv url: http://arxiv.org/abs/2101.07668v1
Date: Tue, 19 Jan 2021 15:01:30 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 11:22:47.321794
Title: Challenges for Computational Lexical Semantic Change
Title（参考訳）: 計算語彙意味変化の課題
Authors: Simon Hengchen and Nina Tahmasebi and Dominik Schlechtweg and Haim Dubossarsky
Abstract要約: 語彙的意味論的変化(LSC)の計算的研究はここ数年で開始され、この分野への関心が高まっています。これまでの研究の多くは、巨大なダイアクロニックテキストデータを用いて意味変化をモデル化し、検出する方法に重点を置いている。本章では,これらの課題のうち最も重要なものを説明し,今後の方向性を概説する。
参考スコア（独自算出の注目度）: 8.86445314853606
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The computational study of lexical semantic change (LSC) has taken off in the past few years and we are seeing increasing interest in the field, from both computational sciences and linguistics. Most of the research so far has focused on methods for modelling and detecting semantic change using large diachronic textual data, with the majority of the approaches employing neural embeddings. While methods that offer easy modelling of diachronic text are one of the main reasons for the spiking interest in LSC, neural models leave many aspects of the problem unsolved. The field has several open and complex challenges. In this chapter, we aim to describe the most important of these challenges and outline future directions.
Abstract（参考訳）: 近年,語彙意味変化(LSC)の計算研究が盛んに行われており,計算科学と言語学の両方からこの分野への関心が高まっている。これまでの研究のほとんどは、大きなダイアクロニックなテキストデータを使用して意味的変化をモデル化し、検出する手法に焦点を合わせてきた。ダイアクロニックテキストの容易なモデリングを提供する手法は、LCCにスパイクされる主な理由の1つであるが、ニューラルモデルは問題の多くの側面を未解決のまま残している。この分野にはいくつかのオープンで複雑な課題がある。本章では,これらの課題のうち最も重要なものを説明し,今後の方向性を概説する。

関連論文リスト

Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できるこの研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文参考訳（メタデータ） (2024-07-17T20:01:21Z)
State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
論文参考訳（メタデータ） (2024-06-13T12:51:22Z)
Recent advancements in computational morphology : A comprehensive survey [0.11606731918609076]
計算形態学は単語レベルで言語処理を扱う。形態的境界検出、補間、形態的特徴タグ付け、形態的再考等。
論文参考訳（メタデータ） (2024-06-08T10:07:33Z)
A Thorough Examination of Decoding Methods in the Era of LLMs [72.65956436513241]
復号法は、次世代の予測器から実用的なタスク解決器に言語モデルを変換する上で、必須の役割を果たす。本稿では,大規模言語モデルの文脈における様々な復号法を包括的かつ多面的に分析する。その結果,復号法の性能は特にタスク依存的であり,アライメント,モデルサイズ,量子化などの要因に影響されていることが明らかとなった。
論文参考訳（メタデータ） (2024-02-10T11:14:53Z)
Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
論文参考訳（メタデータ） (2024-01-31T11:51:24Z)
Looking deeper into interpretable deep learning in neuroimaging: a comprehensive survey [20.373311465258393]
本稿では、ニューロイメージング領域における解釈可能なディープラーニングモデルについて包括的にレビューする。近年の神経画像研究は、モデル解釈可能性を利用して、モデル予測に最も関係のある解剖学的および機能的脳変化を捉える方法について論じている。
論文参考訳（メタデータ） (2023-07-14T04:50:04Z)
Explaining Deep Models through Forgettable Learning Dynamics [12.653673008542155]
学習中の学習行動の可視化には,その後の学習の時期において,サンプルがどれだけ多く学習され,忘れられるかを追跡する。この現象に触発されて,この情報を積極的に利用してモデル内のデータ表現を変化させる新たなセグメンテーション手法を提案する。
論文参考訳（メタデータ） (2023-01-10T21:59:20Z)
ConvFinQA: Exploring the Chain of Numerical Reasoning in Conversational Finance Question Answering [70.6359636116848]
本稿では,対話型質問応答における数値推論の連鎖を研究するために,新しい大規模データセットConvFinQAを提案する。我々のデータセットは、現実世界の会話において、長距離で複雑な数値推論パスをモデル化する上で大きな課題となる。
論文参考訳（メタデータ） (2022-10-07T23:48:50Z)
Deep Recurrent Encoder: A scalable end-to-end network to model brain signals [122.1055193683784]
複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。 1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
論文参考訳（メタデータ） (2021-03-03T11:39:17Z)
Interpretable Machine Learning -- A Brief History, State-of-the-Art and Challenges [0.8029049649310213]
我々は、解釈可能な機械学習(IML)の分野の簡単な歴史を提示し、最先端の解釈手法の概要を説明し、課題について議論する。この分野は若いが、回帰モデリングとルールベースの機械学習に200年以上のルーツがある。多くの新しいIML手法が提案され、その多くがモデルに依存しないが、深層学習や木に基づくアンサンブルに特有の解釈技術も提案されている。
論文参考訳（メタデータ） (2020-10-19T09:20:03Z)
Graph Neural Networks for Node-Level Predictions [0.7310043452300736]
ディープラーニングはコンピュータビジョン、テキスト、音声処理などの分野を含む多くの研究分野に革命をもたらした。本研究の目的は、ノードレベルの予測タスクのための、グラフニューラルネットワークに基づく機械学習手法の、初期および近代的な概要を提供することである。
論文参考訳（メタデータ） (2020-06-22T11:57:03Z)

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。