論文の概要: ATP: AMRize Then Parse! Enhancing AMR Parsing with PseudoAMRs

• arxiv url: http://arxiv.org/abs/2204.08875v1
• Date: Tue, 19 Apr 2022 13:15:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 13:10:40.093457
• Title: ATP: AMRize Then Parse! Enhancing AMR Parsing with PseudoAMRs
• Title（参考訳）: atp: amrize では parse! PseudoAMRによるAMR解析の強化
• Authors: Liang Chen, Peiyi Wang, Runxin Xu, Tianyu Liu, Zhifang Sui, Baobao Chang
• Abstract要約: 意味的あるいは形式的に関連付けられた補助タスクは、AMR解析をより強化する。 実証的な観点から,AMR解析を促進するための補助的タスクを含む原理的手法を提案する。
• 参考スコア（独自算出の注目度）: 34.55175412186001
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As Abstract Meaning Representation (AMR) implicitly involves compound semantic annotations, we hypothesize auxiliary tasks which are semantically or formally related can better enhance AMR parsing. We find that 1) Semantic role labeling (SRL) and dependency parsing (DP), would bring more performance gain than other tasks e.g. MT and summarization in the text-to-AMR transition even with much less data. 2) To make a better fit for AMR, data from auxiliary tasks should be properly "AMRized" to PseudoAMR before training. Knowledge from shallow level parsing tasks can be better transferred to AMR Parsing with structure transform. 3) Intermediate-task learning is a better paradigm to introduce auxiliary tasks to AMR parsing, compared to multitask learning. From an empirical perspective, we propose a principled method to involve auxiliary tasks to boost AMR parsing. Extensive experiments show that our method achieves new state-of-the-art performance on different benchmarks especially in topology-related scores.
• Abstract（参考訳）: 抽象的意味表現(AMR)は、複合意味アノテーションを暗黙的に含んでいるため、意味的あるいは形式的に関連する補助的タスクは、AMR解析をより強化する可能性がある。 私たちはそれを見つけ 1)Semantic Role labeling (SRL) とDependency parsing (DP) は、MTなどの他のタスクよりもパフォーマンスが向上し、データが少なくてもテキストからAMRへの移行が要約される。 2) amrの適合性を高めるためには,補助課題からのデータを訓練前に疑似学習者に対して適切に「増幅」する必要がある。 浅層解析タスクからの知識は、構造変換を伴うAMRパーシングに転送される。 3)中間タスク学習は,マルチタスク学習と比較して,補助タスクをAMR解析に導入する上で優れたパラダイムである。 実証的な観点から,AMR解析を促進するための補助的タスクを含む原理的手法を提案する。 本手法は,特にトポロジ関連スコアにおいて,異なるベンチマーク上での新たな最先端性能を実現することを示す。

関連論文リスト

• Analyzing the Role of Semantic Representations in the Era of Large Language Models [104.18157036880287]
  大規模言語モデル(LLM)の時代における意味表現の役割について検討する。 本稿では, AMRCoT と呼ばれる AMR-driven chain-of- Thought prompting 法を提案する。 AMRのどの入力例が役に立つかは予測できないが,複数単語の表現でエラーが発生する傾向にある。
  論文  参考訳（メタデータ） (2024-05-02T17:32:59Z)
• An AMR-based Link Prediction Approach for Document-level Event Argument Extraction [51.77733454436013]
  文書レベルのイベント調停抽出(文書レベルEAE)のための抽象的意味表現(AMR)を導入した最近の研究動向 本研究では,AEをAMRグラフ上のリンク予測問題として再検討する。 本稿では,より少ない情報量のサブグラフやエッジタイプを圧縮し,スパン情報を統合し,同じ文書内の事象をハイライトする新たなグラフ構造であるTalored AMR Graph(TAG)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T16:07:48Z)
• Retrofitting Multilingual Sentence Embeddings with Abstract Meaning Representation [70.58243648754507]
  抽象的意味表現(AMR)を用いた既存の多言語文の埋め込みを改善する新しい手法を提案する。 原文入力と比較すると、AMRは文の中核概念と関係を明確かつ曖昧に表す構造的意味表現である。 実験結果から,多言語文をAMRで埋め込むと,意味的類似性と伝達タスクの両方において,最先端の性能が向上することがわかった。
  論文  参考訳（メタデータ） (2022-10-18T11:37:36Z)
• Translate, then Parse! A strong baseline for Cross-Lingual AMR Parsing [10.495114898741205]
  我々は,各言語からの文をAMRに投影し,それらの意味的構造を捉えるモデルを開発した。 本稿では,単純な2ステップベースラインを再検討し,強力なNMTシステムと強力なAMRで拡張する。 実験の結果,T+Pはすべてのテスト言語で最新の最先端システムより優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-08T17:52:48Z)
• Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
  教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。 本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。 さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
  論文  参考訳（メタデータ） (2021-05-17T13:42:09Z)
• Pushing the Limits of AMR Parsing with Self-Learning [24.998016423211375]
  AMR解析性能を向上させるために, トレーニングモデルの適用方法を示す。 我々は、追加の人間のアノテーションがなければ、これらのテクニックが既にパフォーマンスを向上し、最先端の結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-10-20T23:45:04Z)
• Improving AMR Parsing with Sequence-to-Sequence Pre-training [39.33133978535497]
  本稿では,Sequence-to-Sequence (seq2seq) AMR解析に焦点を当てる。 単体および関節の両方で事前学習モデルを構築するために,Seq2seq事前学習手法を提案する。 実験の結果,シングルモデルとジョイントモデルの両方で性能が有意に向上した。
  論文  参考訳（メタデータ） (2020-10-05T04:32:47Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。