Fugu-MT 論文翻訳(概要): Fast and Accurate Span-based Semantic Role Labeling as Graph Parsing

論文の概要: Fast and Accurate Span-based Semantic Role Labeling as Graph Parsing

arxiv url: http://arxiv.org/abs/2112.02970v1
Date: Mon, 6 Dec 2021 12:30:58 GMT
ステータス: 処理完了
システム内更新日: 2021-12-07 15:28:41.117245
Title: Fast and Accurate Span-based Semantic Role Labeling as Graph Parsing
Title（参考訳）: グラフ解析としての高速かつ高精度なスパン型セマンティックロールラベル
Authors: Shilin Zhou, Qingrong Xia, Zhenghua Li, Yu Zhang, Min Zhang
Abstract要約: 現在、ビタビベースのアプローチとビタビベースのアプローチは、スパンベースのセマンティックロールラベリング(SRL)タスクで非常にうまく機能している。本稿では,高階意味グラフ表現に関する最近の研究の肩に,高速かつ正確なSRLを提案する。
参考スコア（独自算出の注目度）: 21.113356361450816
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Currently, BIO-based and tuple-based approaches perform quite well on the span-based semantic role labeling (SRL) task. However, the BIO-based approach usually needs to encode a sentence once for each predicate when predicting its arguments, and the tuple-based approach has to deal with a huge search space of $O(n^3)$, greatly reducing the training and inference efficiency. The parsing speed is less than 50 sentences per second. Moreover, both BIO-based and tuple-based approaches usually consider only local structural information when making predictions. This paper proposes to cast end-to-end span-based SRL as a graph parsing task. Based on a novel graph representation schema, we present a fast and accurate SRL parser on the shoulder of recent works on high-order semantic dependency graph parsing. Moreover, we propose a constrained Viterbi procedure to ensure the legality of the output graph. Experiments on English CoNLL05 and CoNLL12 datasets show that our model achieves new state-of-the-art results under both settings of without and with pre-trained language models, and can parse over 600 sentences per second.
Abstract（参考訳）: 現在、バイオベースとタプルベースのアプローチは、span-based semantic role labeling (srl)タスクで非常にうまく機能します。しかし、BIOベースのアプローチは、通常、引数を予測する際に各述語に対して一度だけ文をエンコードし、タプルベースのアプローチは、巨大な検索スペースであるO(n^3)$に対処し、トレーニングと推論効率を大幅に削減する必要がある。解析速度は毎秒50文未満である。さらに、BIOベースのアプローチとタプルベースのアプローチは、通常、予測を行う際にローカルな構造情報のみを考慮する。本稿では,グラフ解析タスクとしてエンドツーエンドのスパンベースSRLを提案する。新たなグラフ表現スキーマに基づいて,高階意味依存グラフ解析に関する最近の研究の肩に,高速かつ正確なSRLパーサを提示する。さらに,出力グラフの合法性を保証するための制約付きビタビ手順を提案する。英語 conll05 と conll12 のデータセットを用いた実験では,学習済みの言語モデルと学習済み言語モデルの両方において,新たな最先端結果を達成し,毎秒600文以上の文を解析できることが示されている。

関連論文リスト

Growing Trees on Sounds: Assessing Strategies for End-to-End Dependency Parsing of Speech [8.550564152063522]
音声解析における2つの解析パラダイムの性能評価を目的とした一連の実験について報告する。我々はこの評価をフランス語の大きな木バンクで行い、現実的な自発的な会話を特徴とする。その結果, (i) グラフに基づく手法は, (ii) パラメータが30%少ないにもかかわらず, (ii) 音声から直接解析することで, パイプライン手法よりも優れた結果が得られることがわかった。
論文参考訳（メタデータ） (2024-06-18T13:46:10Z)
Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
論文参考訳（メタデータ） (2024-03-15T12:00:12Z)
MinPrompt: Graph-based Minimal Prompt Data Augmentation for Few-shot Question Answering [64.6741991162092]
オープンドメイン質問応答のための最小限のデータ拡張フレームワークMinPromptを提案する。我々は、生テキストをグラフ構造に変換し、異なる事実文間の接続を構築する。次に、グラフアルゴリズムを適用して、原文のほとんどの情報をカバーするのに必要な最小限の文の集合を識別する。同定された文サブセットに基づいてQAペアを生成し、選択した文に基づいてモデルをトレーニングし、最終モデルを得る。
論文参考訳（メタデータ） (2023-10-08T04:44:36Z)
A Simple and Strong Baseline for End-to-End Neural RST-style Discourse Parsing [44.72809363746258]
本稿では,既存の単純な構文解析手法であるトップダウンとボトムアップと,トランスフォーマーに基づく事前学習言語モデルを統合することで,強力なベースラインを探求する。 2つのベンチマークデータセットから得られた実験結果は、解析性能が解析戦略よりも事前訓練された言語モデルに依存していることを示している。
論文参考訳（メタデータ） (2022-10-15T18:38:08Z)
Unsupervised and Few-shot Parsing from Pretrained Language Models [56.33247845224995]
本研究では,事前学習言語モデルで学習した自己注意重み行列に基づいて,アウトアソシエーションスコアを算出した教師なし構成的パーシングモデルを提案する。教師なしモデルからいくつかの注釈付き木を用いた数ショット構文解析モデルに拡張し、解析のためのより優れた線形射影行列を学習する。 FPIOは20本の注釈付き木で訓練され、50本の注釈付き木で訓練された過去の数枚の構文解析よりも優れていた。
論文参考訳（メタデータ） (2022-06-10T10:29:15Z)
Systematic Investigation of Strategies Tailored for Low-Resource Settings for Sanskrit Dependency Parsing [14.416855042499945]
Sanskrit Dependency Parsing (SDP) の既存の手法は、本質的にハイブリッドである。純粋にデータ駆動アプローチは、ラベル付きデータ間隔によるハイブリッドアプローチのパフォーマンスにマッチしない。我々は、データ強化、シーケンシャルトランスファーラーニング、クロスランガル/モノランガル事前学習、マルチタスク学習、自己学習の5つの戦略を実験した。提案するアンサンブルシステムは, 純粋にデータ駆動状態よりも2.8/3.9ポイント(Unlabelled Attachment Score (UAS)/Labelled Attachment Score (LAS))の絶対ゲインに優れる。
論文参考訳（メタデータ） (2022-01-27T08:24:53Z)
X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented Compositional Semantic Parsing [51.81533991497547]
タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
論文参考訳（メタデータ） (2021-06-07T16:40:05Z)
Exploiting Global Contextual Information for Document-level Named Entity Recognition [46.99922251839363]
我々は、GCDoc(Global Context enhanced Document-level NER)と呼ばれるモデルを提案する。単語レベルでは、文書グラフは単語間のより広範な依存関係をモデル化するために構築される。文レベルでは、単一文を超えてより広い文脈を適切にモデル化するために、横断文モジュールを用いる。我々のモデルは、CoNLL 2003データセットで92.22(BERTで93.40)、Ontonotes 5.0データセットで88.32(BERTで90.49)のスコアに達した。
論文参考訳（メタデータ） (2021-06-02T01:52:07Z)
Low-Resource Task-Oriented Semantic Parsing via Intrinsic Modeling [65.51280121472146]
私たちは本質的にオントロジーラベルについて知っているものを利用して、効率的なセマンティック解析モデルを構築します。我々のモデルはTOPv2から派生した低リソースのベンチマークを用いて高効率である。
論文参考訳（メタデータ） (2021-04-15T04:01:02Z)
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)
Efficient Constituency Parsing by Pointing [21.395573911155495]
本稿では,解析問題を一連のポインティングタスクにキャストする新しい選挙区解析モデルを提案する。我々のモデルは効率的なトップダウンデコーディングをサポートしており、我々の学習目的は、高価なCKY推論に頼ることなく、構造的一貫性を強制することができる。
論文参考訳（メタデータ） (2020-06-24T08:29:09Z)

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。