Fugu-MT 論文翻訳(概要): Diversity-Driven Combination for Grammatical Error Correction

論文の概要: Diversity-Driven Combination for Grammatical Error Correction

arxiv url: http://arxiv.org/abs/2110.15149v1
Date: Thu, 28 Oct 2021 14:20:43 GMT
ステータス: 処理完了
システム内更新日: 2021-10-29 23:07:25.640884
Title: Diversity-Driven Combination for Grammatical Error Correction
Title（参考訳）: 文法的誤り訂正のための多様性駆動組合せ
Authors: Wenjuan Han, Hwee Tou Ng
Abstract要約: 文法的誤り訂正(英: Grammatical error correction, GEC)は、テキスト中の誤りを検出し、訂正するタスクである。システムの組み合わせを成功させるためには、複数のコンポーネントシステムが多様かつ同等の品質の修正文を生成する必要がある。本稿では,コンポーネントシステム間の多様性を促進するシステムの組み合わせ戦略であるGECに対して,多様性駆動結合(Diversity-Driven Combination, DDC)を提案する。
参考スコア（独自算出の注目度）: 30.63256303821261
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Grammatical error correction (GEC) is the task of detecting and correcting errors in a written text. The idea of combining multiple system outputs has been successfully used in GEC. To achieve successful system combination, multiple component systems need to produce corrected sentences that are both diverse and of comparable quality. However, most existing state-of-the-art GEC approaches are based on similar sequence-to-sequence neural networks, so the gains are limited from combining the outputs of component systems similar to one another. In this paper, we present Diversity-Driven Combination (DDC) for GEC, a system combination strategy that encourages diversity among component systems. We evaluate our system combination strategy on the CoNLL-2014 shared task and the BEA-2019 shared task. On both benchmarks, DDC achieves significant performance gain with a small number of training examples and outperforms the component systems by a large margin. Our source code is available at https://github.com/nusnlp/gec-ddc.
Abstract（参考訳）: 文法的誤り訂正(英: Grammatical error correction, GEC)は、テキスト中の誤りを検出し、訂正するタスクである。複数のシステム出力を組み合わせるというアイデアは、GECでうまく使われてきた。システムの組み合わせを成功させるためには、複数のコンポーネントシステムが多様かつ同等の品質の修正文を生成する必要がある。しかしながら、既存の最先端のGECアプローチは、類似のシーケンス対シーケンスニューラルネットワークに基づいているため、互いに類似したコンポーネントシステムの出力の組み合わせによる利得が制限される。本稿では,コンポーネントシステム間の多様性を促進するシステム組み合わせ戦略であるgecのための多様性駆動結合(ddc)を提案する。我々は,conll-2014共有タスクとbea-2019共有タスクのシステム組み合わせ戦略を評価する。両方のベンチマークでは、DDCは少数のトレーニング例で大幅なパフォーマンス向上を実現し、コンポーネントシステムよりも大きなマージンでパフォーマンスを向上している。ソースコードはhttps://github.com/nusnlp/gec-ddcで入手できます。

関連論文リスト

Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-10-24T09:09:20Z)
Grammatical Error Correction for Code-Switched Sentences by Learners of English [5.653145656597412]
CSWテキスト上で文法誤り訂正システムの利用を初めて検討する。我々は、既存のGECコーパス内で異なるテキストのスパンを翻訳することで、合成されたCSW GECデータセットを生成する。次に,CSW比,スイッチポイント係数,言語制約に基づいて,これらのスパンを選択する方法について検討する。我々の最良のモデルは、モノリンガルデータセット上でのモデルの性能に影響を与えることなく、3つのCSWテストセットの平均1.57ドルF_0.5$を達成する。
論文参考訳（メタデータ） (2024-04-18T20:05:30Z)
Minimum Bayes' Risk Decoding for System Combination of Grammatical Error Correction Systems [3.722707313671672]
本稿では,文法誤り訂正(GEC)システムにおける最小ベイズリスク(MBR)デコードについて検討する。本稿では,この形態の基準に直結した新しいMBR損失関数を提案する。 3つの一般的なGECデータセットと最先端のGECシステムを用いた実験は、提案手法の有効性を実証している。
論文参考訳（メタデータ） (2023-09-12T18:51:10Z)
Hybrid Rule-Neural Coreference Resolution System based on Actor-Critic Learning [53.73316523766183]
コアレゾリューションシステムは2つの主要なタスクに取り組む必要がある。ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。本稿では,アクター・クリティカル・ラーニングに基づく複合ルール・ニューラル・コア参照解決システムを提案する。
論文参考訳（メタデータ） (2022-12-20T08:55:47Z)
CSynGEC: Incorporating Constituent-based Syntax for Grammatical Error Correction with a Tailored GEC-Oriented Parser [22.942594068051488]
この研究は、他の主流構文形式、すなわち構成型構文を考慮に入れている。まず,非文法文の誤りに対応するための拡張構成型構文スキームを提案する。そして,非文法文の区切り木を自動的に取得し,GCC指向の区切り木を訓練する。
論文参考訳（メタデータ） (2022-11-15T14:11:39Z)
Deep Combinatorial Aggregation [58.78692706974121]
ディープアンサンブル(Deep ensemble)は、不確実性を考慮した学習タスクの最先端結果を実現する、シンプルで効果的な方法である。本研究では,ディープアグリゲーション(DCA)と呼ばれるディープアンサンブルの一般化について検討する。 DCAはネットワークコンポーネントの複数のインスタンスを生成し、それらの組み合わせを集約して、多様化したモデルの提案と予測を生成する。
論文参考訳（メタデータ） (2022-10-12T17:35:03Z)
Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文参考訳（メタデータ） (2022-07-03T06:57:07Z)
Two-pass Decoding and Cross-adaptation Based System Combination of End-to-end Conformer and Hybrid TDNN ASR Systems [61.90743116707422]
本稿では,ハイブリッドTDNNとConformer E2E ASRシステムのためのマルチパス再構成とクロスアダプティブに基づくシステムの組み合わせについて検討する。 NIST Hub5'00、Rt03、Rt02の評価データに対して、マルチパス再構成を用いて得られた最良の組み合わせシステムにより、統計的に有意な単語誤り率(WER)が2.5%から3.9%の絶対値(22.5%から28.9%の相対値)に低下した。
論文参考訳（メタデータ） (2022-06-23T10:17:13Z)
A Unified Strategy for Multilingual Grammatical Error Correction with Pre-trained Cross-Lingual Language Model [100.67378875773495]
本稿では,多言語文法的誤り訂正のための汎用的かつ言語に依存しない戦略を提案する。我々の手法は言語固有の操作を使わずに多様な並列GECデータを生成する。 NLPCC 2018 Task 2のデータセット(中国語)で最先端の結果を達成し、Falko-Merlin(ドイツ語)とRULEC-GEC(ロシア語)の競合性能を得る。
論文参考訳（メタデータ） (2022-01-26T02:10:32Z)
System Combination for Grammatical Error Correction Based on Integer Programming [26.817392377302014]
非線形整数計画法(IP)に基づく文法的誤り訂正(GEC)システムの組み合わせ手法を提案する。提案手法は,誤差型に基づく新しいFスコア目標を最適化し,複数のエンドツーエンドGECシステムを組み合わせる。最先端のスタンドアロンGECシステムを組み合わせるためのIPアプローチの実験は、この組み合わせシステムがすべてのスタンドアロンシステムより優れていることを示している。
論文参考訳（メタデータ） (2021-11-02T10:08:46Z)
BAGUA: Scaling up Distributed Learning with System Relaxations [31.500494636704598]
BAGUAは分散データ並列トレーニングのための新しい通信フレームワークである。新しいシステム設計によって、BAGUAは様々な最先端の分散学習アルゴリズムを実装し拡張する能力を持つ。最大16台のマシンを持つ運用クラスタでは、BAGUAは、エンドツーエンドのトレーニング時間において、PyTorch-DDP、Horovod、BytePSを上回ります。
論文参考訳（メタデータ） (2021-07-03T21:27:45Z)

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。