論文の概要: Syntactic structures and the general Markov models
- arxiv url: http://arxiv.org/abs/2104.08462v1
- Date: Sat, 17 Apr 2021 05:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:15:10.599635
- Title: Syntactic structures and the general Markov models
- Title（参考訳）: 構文構造と一般マルコフモデル
- Authors: Sitanshu Gakkhar, Matilde Marcolli
- Abstract要約: 一般的なマルコフモデルの概念とデータの一貫性について検討する。
本論文で検討したアイデアは,構文構造の設定よりも一般に適用可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We further the theme of studying syntactic structures data from Longobardi
(2017b), Collins (2010), Ceolin et al. (2020) and Koopman (2011) using general
Markov models initiated in Shu et al. (2017), exploring the question of how
consistent the data is with the idea that general Markov models. The ideas
explored in the present paper are more generally applicable than to the setting
of syntactic structures, and can be used when analyzing consistency of data
with general Markov models. Additionally, we give an interpretation of the
methods of Ceolin et al. (2020) as an infinite sites evolutionary model and
compare it to the Markov model and explore each in the context of evolutionary
processes acting on human language syntax.
- Abstract（参考訳）: さらに,Longobardi (2017b), Collins (2010), Ceolin et al の構文構造データの研究も行っている。
(2020) と Koopman (2011) は Shu et al で開始された一般マルコフモデルを用いている。
一般的なマルコフモデル(markov model)とは、データの一貫性に関する問題である。
本論文で検討したアイデアは,構文構造の設定よりも広く適用可能であり,一般的なマルコフモデルを用いたデータの一貫性解析に使用できる。
さらに、我々はCeolin et alの方法の解釈を行う。
(2020) を無限サイト進化モデルとしてマルコフモデルと比較し, 人間の言語構文に作用する進化過程の文脈において, それぞれを探索した。
関連論文リスト
- Attention with Markov: A Framework for Principled Analysis of
Transformers via Markov Chains [48.146073732531605]
マルコフ連鎖のレンズによる変圧器の逐次モデリング機能について検討する。
自然言語のマルコフ性に触発され、マルコフの情報源としてデータをモデル化する。
我々は,データ特性とトランスフォーマーアーキテクチャに基づいて,グローバルなミニマと悪いローカルなミニマの存在を示す。
論文 参考訳（メタデータ） (2024-02-06T17:18:59Z) - SLOG: A Structural Generalization Benchmark for Semantic Parsing [68.19511282584304]
合成一般化ベンチマークの目的は、モデルがいかにして新しい複雑な言語表現に一般化するかを評価することである。
既存のベンチマークは、しばしば語彙一般化に焦点を当て、訓練に精通した構文構造における新しい語彙項目の解釈は、しばしば不足している。
SLOGは,COGSを拡張したセマンティック解析データセットである。
論文 参考訳（メタデータ） (2023-10-23T15:39:09Z) - A modern approach to transition analysis and process mining with Markov
models: A tutorial with R [0.9699640804685629]
この章は、この方法を紹介し、最も一般的なバリエーションを区別する。
既存の文献の詳細な説明と文脈化に加えて、この章では、各タイプのマルコフモデルの実装方法に関するステップバイステップのチュートリアルを提供している。
論文 参考訳（メタデータ） (2023-09-02T07:24:32Z) - Compositional Generalisation with Structured Reordering and Fertility
Layers [121.37328648951993]
Seq2seqモデルは構成一般化に苦しむことが示されている。
本稿では、2つの構造演算を構成するフレキシブルなエンドツーエンドの微分可能なニューラルモデルを提案する。
論文 参考訳（メタデータ） (2022-10-06T19:51:31Z) - Compositional Generalization Requires Compositional Parsers [69.77216620997305]
直近のCOGSコーパスにおける構成原理によって導かれるシーケンス・ツー・シーケンスモデルとモデルを比較した。
構造一般化は構成一般化の重要な尺度であり、複雑な構造を認識するモデルを必要とする。
論文 参考訳（メタデータ） (2022-02-24T07:36:35Z) - 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) - Structure Learning of Contextual Markov Networks using Marginal
Pseudo-likelihood [5.364120183147694]
一般文脈マルコフネットワークに対する解析的抽出可能な基準として、境界擬似類似性を導入する。
我々の基準は、一貫した構造推定器をもたらすことが示されている。
論文 参考訳（メタデータ） (2021-03-29T12:13:15Z) - Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。
モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。
要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:57:27Z)
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。