論文の概要: Transition-based Semantic Role Labeling with Pointer Networks

• arxiv url: http://arxiv.org/abs/2205.10023v1
• Date: Fri, 20 May 2022 08:38:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 14:24:48.881327
• Title: Transition-based Semantic Role Labeling with Pointer Networks
• Title（参考訳）: ポインタネットワークを用いた遷移型セマンティックロールラベリング
• Authors: Daniel Fern\'andez-Gonz\'alez
• Abstract要約: 本稿では,1つの左から右へのパスで入力文を完全に処理できる,トランジッションベースのSRLアプローチを提案する。 Pointer Networksをベースとした実装のおかげで、完全なSRLは$O(n2)$で正確かつ効率的に実行できる。
• 参考スコア（独自算出の注目度）: 0.40611352512781856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic role labeling (SRL) focuses on recognizing the predicate-argument structure of a sentence and plays a critical role in many natural language processing tasks such as machine translation and question answering. Practically all available methods do not perform full SRL, since they rely on pre-identified predicates, and most of them follow a pipeline strategy, using specific models for undertaking one or several SRL subtasks. In addition, previous approaches have a strong dependence on syntactic information to achieve state-of-the-art performance, despite being syntactic trees equally hard to produce. These simplifications and requirements make the majority of SRL systems impractical for real-world applications. In this article, we propose the first transition-based SRL approach that is capable of completely processing an input sentence in a single left-to-right pass, with neither leveraging syntactic information nor resorting to additional modules. Thanks to our implementation based on Pointer Networks, full SRL can be accurately and efficiently done in $O(n^2)$, achieving the best performance to date on the majority of languages from the CoNLL-2009 shared task.
• Abstract（参考訳）: 意味的役割ラベリング(SRL)は文の述語構造を認識し、機械翻訳や質問応答など多くの自然言語処理タスクにおいて重要な役割を果たす。 実際に利用可能なすべてのメソッドは、事前に特定された述語に依存するため、完全なSRLを実行することができず、その多くはパイプライン戦略に従い、1つまたは複数のSRLサブタスクを実行するために特定のモデルを使用する。 さらに, 従来の手法は, 合成木が等しく生成し難いにもかかわらず, 最先端の性能を達成するための構文情報に強く依存している。 これらの単純化と要件により、SRLシステムの大部分は現実世界のアプリケーションでは実用的ではない。 本稿では、構文情報を利用することなく、追加モジュールに頼ることなく、単一の左から右へのパスで入力文を完全に処理できる、最初のトランジッションベースのsrlアプローチを提案する。 ポインタネットワークに基づく実装のおかげで、完全なsrlは$o(n^2)$で正確かつ効率的に実行でき、conll-2009の共有タスクから現在までの言語で最高のパフォーマンスを得ることができます。

関連論文リスト

• Q-SFT: Q-Learning for Language Models via Supervised Fine-Tuning [62.984693936073974]
  価値に基づく強化学習は、幅広いマルチターン問題に対する効果的なポリシーを学ぶことができる。 現在の値ベースのRL法は、特に大規模な言語モデルの設定にスケールすることが困難であることが証明されている。 本稿では,これらの欠点に対処する新しいオフラインRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-07T21:36:52Z)
• ArCHer: Training Language Model Agents via Hierarchical Multi-Turn RL [80.10358123795946]
  大規模言語モデルを微調整するためのマルチターンRLアルゴリズムを構築するためのフレームワークを開発する。 我々のフレームワークは階層的なRLアプローチを採用し、2つのRLアルゴリズムを並列に実行している。 実験により,ArCHerはエージェントタスクの効率と性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-02-29T18:45:56Z)
• Persian Semantic Role Labeling Using Transfer Learning and BERT-Based Models [5.592292907237565]
  本稿では,特徴抽出の必要性を解消するだけでなく,既存手法よりも優れた特徴抽出手法を提案する。 提案手法は補助的特徴を一切用いておらず, 同様の状況下では従来手法に比べて精度が16(83.16)以上向上している。
  論文  参考訳（メタデータ） (2023-06-17T12:50:09Z)
• Is Reinforcement Learning (Not) for Natural Language Processing?: Benchmarks, Baselines, and Building Blocks for Natural Language Policy Optimization [73.74371798168642]
  我々は、強化学習による言語生成を最適化するためのオープンソースのモジュールライブラリRL4LMを紹介する。 次に、ターゲット文字列ではなく、報酬関数によって教師される6つの言語生成タスクのセットであるGRUEベンチマークを示す。 最後に,言語生成における動作空間を効果的に削減するNLPOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T21:38:29Z)
• Text Generation with Efficient (Soft) Q-Learning [91.47743595382758]
  強化学習(RL)は、任意のタスクメトリクスを報酬としてプラグインすることで、より柔軟なソリューションを提供する。 ソフトQ-ラーニングの観点からテキスト生成のための新しいRL式を導入する。 雑音/負の例から学習し、敵攻撃、即時生成など、幅広いタスクにアプローチを適用する。
  論文  参考訳（メタデータ） (2021-06-14T18:48:40Z)
• Adaptive Convolution for Semantic Role Labeling [48.69930912510414]
  セマンティックロールラベリング(SRL)は、述語-引数構造を形成することによって、文の意味を解明することを目的とする。 近年の研究では、構文の効果的な利用はSRLの性能を向上させることが示されている。 本研究は既存の畳み込みネットワークに強い柔軟性をもたらす適応畳み込みを用いた構文を効果的にエンコードする。 CoNLL-2009データセットの実験は、提案されたモデルが英語と中国語の両方の以前のSRLシステムを大幅に上回ることを確認した。
  論文  参考訳（メタデータ） (2020-12-27T13:26:11Z)
• FOCAL: Efficient Fully-Offline Meta-Reinforcement Learning via Distance Metric Learning and Behavior Regularization [10.243908145832394]
  本稿では, オフラインメタ強化学習(OMRL)問題について検討する。これは, 強化学習(RL)アルゴリズムが未知のタスクに迅速に適応できるようにするパラダイムである。 この問題はまだ完全には理解されていないが、2つの大きな課題に対処する必要がある。 我々は、いくつかの単純な設計選択が、最近のアプローチよりも大幅に改善できることを示す分析と洞察を提供する。
  論文  参考訳（メタデータ） (2020-10-02T17:13:39Z)
• Syntax Role for Neural Semantic Role Labeling [77.5166510071142]
  意味的役割ラベリング(SRL)は、文の意味的述語・代名詞構造を認識することを目的としている。 従来のモデルでは、構文情報はSRLのパフォーマンスに顕著な貢献をする可能性がある。 最近の神経SRL研究は、構文情報は神経意味的役割のラベル付けにおいてはるかに重要でないことを示している。
  論文  参考訳（メタデータ） (2020-09-12T07:01:12Z)
• Cross-lingual Semantic Role Labeling with Model Transfer [49.85316125365497]
  言語間セマンティックロールラベリングは、普遍的な特徴の助けを借りてモデル転送によって達成できる。 本稿では,多種多様なユニバーサル特徴と転送手法を組み込んだエンドツーエンドSRLモデルを提案する。
  論文  参考訳（メタデータ） (2020-08-24T09:37:45Z)
• Cross-Lingual Semantic Role Labeling with High-Quality Translated Training Corpus [41.031187560839555]
  言語間セマンティックロールのラベル付けは、この問題に対処するための有望な方法である。 目的言語のための高品質なトレーニングデータセットを構築するためのコーパス翻訳に基づく新しい代替案を提案する。 ユニバーサル・プロポーション・バンクの実験結果から, 翻訳法が有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-04-14T04:16:43Z)

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。