論文の概要: Headed Span-Based Projective Dependency Parsing

• arxiv url: http://arxiv.org/abs/2108.04750v1
• Date: Tue, 10 Aug 2021 15:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 16:23:35.296498
• Title: Headed Span-Based Projective Dependency Parsing
• Title（参考訳）: ヘッドスパンに基づく射影依存性解析
• Authors: Songlin Yang, Kewei Tu
• Abstract要約: 本稿では,プロジェクティブ依存関係解析のための階層型スパンベース手法を提案する。 我々はニューラルネットワークを使って、グローバルトレーニングと正確な推論を可能にする、新しい$O(n3)$の動的プログラミングアルゴリズムを設計する。
• 参考スコア（独自算出の注目度）: 24.337440797369702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a headed span-based method for projective dependency parsing. In a projective tree, the subtree rooted at each word occurs in a contiguous sequence (i.e., span) in the surface order, we call the span-headword pair \textit{headed span}. In this view, a projective tree can be regarded as a collection of headed spans. It is similar to the case in constituency parsing since a constituency tree can be regarded as a collection of constituent spans. Span-based methods decompose the score of a constituency tree sorely into the score of constituent spans and use the CYK algorithm for global training and exact inference, obtaining state-of-the-art results in constituency parsing. Inspired by them, we decompose the score of a dependency tree into the score of headed spans. We use neural networks to score headed spans and design a novel $O(n^3)$ dynamic programming algorithm to enable global training and exact inference. We evaluate our method on PTB, CTB, and UD, achieving state-of-the-art or comparable results.
• Abstract（参考訳）: 本稿では,プロジェクティブ依存関係解析のための階層型スパンベース手法を提案する。 射影木では、各単語に根付いた部分木は、表面順序の連続配列(つまり、スパン)で発生し、スパン-ヘッドワード対 \textit{headed span} と呼ぶ。 この見方では、射影木は頭上のスパンの集合と見なすことができる。 選挙区木を構成スパンのコレクションとみなすことができるため、選挙区解析の場合と似ている。 Span-based method is decompose the score of constituency tree sorely into the score of composition spans and using the CYK algorithm for global training and exact inference, obtained the State-of-the-art results in constituency parsing。 それらに触発されて、依存木のスコアを先頭のスパンのスコアに分解します。 我々はニューラルネットワークを用いて、グローバルトレーニングと正確な推論を可能にする新しい$O(n^3)$動的プログラミングアルゴリズムを設計する。 本手法をptb, ctb, udで評価し, 最新の結果, 比較結果を得た。

関連論文リスト

• Order-sensitive Neural Constituency Parsing [9.858565876426411]
  本稿では, 従来のニューラルスパンベースCKYデコーダの改良手法を提案する。 従来のスパンベースの復号法とは対照的に、スパンの組み合わせスコアが順序に敏感なベースからより慎重に導出される、順序に敏感な戦略を導入する。 我々のデコーダは,低レベルスパンを高レベルスパンに組み合わせるための細粒度スコアリング方式を決定する際に,既存のスパンベースデコーダの一般化と見なすことができる。
  論文  参考訳（メタデータ） (2022-11-01T12:31:30Z)
• Biaffine Discourse Dependency Parsing [0.0]
  本稿では,バイファインモデルを用いてニューラルな談話依存解析を行い,ベースラインと比較して大幅な性能向上を実現した。 タスクにおけるアイズナーアルゴリズムとチュ・リュー・エドモンドスアルゴリズムを比較し、チュ・リュー・エドモンドスを用いることでより深い木を生成する。
  論文  参考訳（メタデータ） (2022-01-12T12:56:13Z)
• Auto-Parsing Network for Image Captioning and Visual Question Answering [101.77688388554097]
  本稿では,入力データの隠れ木構造を発見し,活用するための自動パーシングネットワーク(APN)を提案する。 具体的には、各自己注意層における注意操作によってパラメータ化された確率的グラフモデル(PGM)を課し、スパース仮定を組み込む。
  論文  参考訳（メタデータ） (2021-08-24T08:14:35Z)
• Combining (second-order) graph-based and headed span-based projective dependency parsing [24.337440797369702]
  citetyang2021headedは、先頭のスパンベースの方法を提案する。どちらもすべての可能な木をスコアし、世界で最も高いスコア木を見つける。 本稿では,これらの2種類の手法を組み合わせて,共同推論のための動的プログラミングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-08-12T16:42:00Z)
• Dependency Parsing as MRC-based Span-Span Prediction [29.956515394820673]
  依存関係解析のための高階メソッドは、依存ツリーのエッジが単語レベルではなくテキストスパン/サブツリーレベルで構築されるべきという問題に部分的には、完全には対処できない。 本稿では,この問題に対処するための新しい依存関係解析手法を提案する。
  論文  参考訳（メタデータ） (2021-05-17T08:03:48Z)
• Text Information Aggregation with Centrality Attention [86.91922440508576]
  本稿では, 固有中央集権自己注意という, 集権重み付けの新たな方法を提案する。 文中のすべての単語に対する完全連結グラフを構築し,各単語の注意点として固有中央性を計算する。
  論文  参考訳（メタデータ） (2020-11-16T13:08:48Z)
• Strongly Incremental Constituency Parsing with Graph Neural Networks [70.16880251349093]
  文を構文木にパースすることは、NLPの下流アプリケーションに恩恵をもたらす。 トランジッションベースは、状態遷移システムでアクションを実行することでツリーを構築する。 既存のトランジションベースは主にシフト・リデュース・トランジション・システムに基づいている。
  論文  参考訳（メタデータ） (2020-10-27T19:19:38Z)
• Span-based Semantic Parsing for Compositional Generalization [53.24255235340056]
  SpanBasedSPは入力発話上のスパンツリーを予測し、部分的なプログラムが入力内のスパンをどのように構成するかを明示的に符号化する。 GeoQuery、SCAN、CLOSUREでは、SpanBasedSPはランダムスプリットの強いseq2seqベースラインと似ているが、構成一般化を必要とするスプリットのベースラインに比べて劇的に性能が向上する。
  論文  参考訳（メタデータ） (2020-09-13T16:42:18Z)
• A Simple Global Neural Discourse Parser [61.728994693410954]
  本稿では,手作業で構築した特徴を必要とせず,学習したスパン表現のみに基づく簡易なグラフベースニューラル談話を提案する。 我々は,我々のモデルが世界規模で最高の性能を達成し,最先端の欲求に匹敵する性能を実証的に示す。
  論文  参考訳（メタデータ） (2020-09-02T19:28:40Z)
• Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
  我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。 具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
  論文  参考訳（メタデータ） (2020-03-23T03:34:25Z)

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。