論文の概要: Tackling Morphological Analogies Using Deep Learning -- Extended Version

• arxiv url: http://arxiv.org/abs/2111.05147v1
• Date: Tue, 9 Nov 2021 13:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 18:36:23.184436
• Title: Tackling Morphological Analogies Using Deep Learning -- Extended Version
• Title（参考訳）: 深層学習を用いた形態素解析-拡張版
• Authors: Safa Alsaidi, Amandine Decker, Esteban Marquer, Pierre-Alexandre Murena, Miguel Couceiro
• Abstract要約: 分析比例は "A is to B as C is to D" という形の言明である 本稿では,Deep Learningを用いて形態的類似を検知し,解決する手法を提案する。 複数の言語にまたがる類似検出と分解能において,本モデルの競合性能を実証する。
• 参考スコア（独自算出の注目度）: 8.288496996031684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analogical proportions are statements of the form "A is to B as C is to D". They constitute an inference tool that provides a logical framework to address learning, transfer, and explainability concerns and that finds useful applications in artificial intelligence and natural language processing. In this paper, we address two problems, namely, analogy detection and resolution in morphology. Multiple symbolic approaches tackle the problem of analogies in morphology and achieve competitive performance. We show that it is possible to use a data-driven strategy to outperform those models. We propose an approach using deep learning to detect and solve morphological analogies. It encodes structural properties of analogical proportions and relies on a specifically designed embedding model capturing morphological characteristics of words. We demonstrate our model's competitive performance on analogy detection and resolution over multiple languages. We provide an empirical study to analyze the impact of balancing training data and evaluate the robustness of our approach to input perturbation.
• Abstract（参考訳）: 解析的比例は「A は B へ、C は D へ」という形の言明である。 それらは、学習、伝達、説明可能性に関する懸念に対処する論理的なフレームワークを提供し、人工知能や自然言語処理で有用な応用を見つける推論ツールを構成する。 本稿では,形態学における類似検出と分解能の2つの問題に対処する。 複数のシンボリックアプローチが形態学におけるアナロジーの問題に取り組み、競争性能を達成する。 データ駆動型戦略がこれらのモデルより優れていることを示す。 本稿では,ディープラーニングを用いた形態素アナロジーの検出と解法を提案する。 アナログ比例の構造特性を符号化し、単語の形態的特徴を捉えた特別に設計された埋め込みモデルに依存する。 我々は,複数の言語に対するアナロジー検出と解決において,モデルの競合性能を示す。 トレーニングデータのバランスをとることの影響を分析し,入力摂動に対する我々のアプローチの堅牢性を評価する。

関連論文リスト

• Explaining Text Similarity in Transformer Models [52.571158418102584]
  説明可能なAIの最近の進歩により、トランスフォーマーの説明の改善を活用することで、制限を緩和できるようになった。 両線形類似性モデルにおける2次説明の計算のために開発された拡張であるBiLRPを用いて、NLPモデルにおいてどの特徴相互作用が類似性を促進するかを調べる。 我々の発見は、異なる意味的類似性タスクやモデルに対するより深い理解に寄与し、新しい説明可能なAIメソッドが、どのようにして深い分析とコーパスレベルの洞察を可能にするかを強調した。
  論文  参考訳（メタデータ） (2024-05-10T17:11:31Z)
• ANALOGYKB: Unlocking Analogical Reasoning of Language Models with A Million-scale Knowledge Base [51.777618249271725]
  ANALOGYKBは、既存の知識グラフ(KGs)から派生した100万スケールのアナロジー知識ベースである 1)KGから直接抽出できる同一関係のアナロジー、2)大きな言語モデル(LLM)によって実現される選択とフィルタリングパイプラインと識別される類似関係のアナロジーである。
  論文  参考訳（メタデータ） (2023-05-10T09:03:01Z)
• Solving morphological analogies: from retrieval to generation [4.834203844100681]
  分析推論は人間の推論の能力であり、難解な推論タスクの解決に用いられてきた。 本稿では,ARにおける2つの重要な課題である類似検出と解決に対処し,対処するためのディープラーニング(DL)フレームワークを提案する。 このフレームワークは、単語間の形態的類似比(APs)のSiganalogiesデータセットで徹底的にテストされ、多くの言語においてシンボル的アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-30T12:36:46Z)
• A Causal Framework to Quantify the Robustness of Mathematical Reasoning with Language Models [81.15974174627785]
  入力空間における直接的介入に対する頑健さと感度の観点から言語モデルの振舞いについて検討する。 しかし, GPT-3 Davinciモデル(175B)は, 他のGPTモデルと比較して, 頑健さと感度の両面で劇的な改善を実現している。
  論文  参考訳（メタデータ） (2022-10-21T15:12:37Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• A Neural Approach for Detecting Morphological Analogies [7.89271130004391]
  分析比例は "A is to B as C is to D" という形の言明である 形態的類似を検出するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-08-09T11:21:55Z)
• On the Transferability of Neural Models of Morphological Analogies [7.89271130004391]
  本稿では,形態的課題に焦点をあて,形態的類似を検出するための深層学習手法を提案する。 我々は、我々のフレームワークが言語間でどのように移行するかを示す実証的研究を行い、これらの言語間の興味深い類似点と相違点を強調します。 これらの結果を踏まえ、多言語形態モデルの構築の可能性についても論じる。
  論文  参考訳（メタデータ） (2021-08-09T11:08:33Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Modelling Verbal Morphology in Nen [4.6877729174041605]
  我々は現在最先端の機械学習モデルを用いて形態的回帰を行い、Nen言語形態をモデル化する。 実験結果から, 動詞型の異なる分布は, 精度の異なるデータ構成に敏感であることがわかった。 また、同期のケーススタディを通じて、トレーニングデータから推測できるパターンの種類についても示す。
  論文  参考訳（メタデータ） (2020-11-30T01:22:05Z)
• Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks [3.7814216736076434]
  与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。 我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。 本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-02T07:37:40Z)
• Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
  本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。 両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
  論文  参考訳（メタデータ） (2020-07-23T14:00:34Z)

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。