論文の概要: Cross-domain Generalization for AMR Parsing

• arxiv url: http://arxiv.org/abs/2210.12445v1
• Date: Sat, 22 Oct 2022 13:24:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 16:07:26.159989
• Title: Cross-domain Generalization for AMR Parsing
• Title（参考訳）: AMR解析のためのクロスドメイン一般化
• Authors: Xuefeng Bai, Seng Yang, Leyang Cui, Linfeng Song and Yue Zhang
• Abstract要約: 5つの領域における代表的AMRを5つ評価し,ドメイン間AMR解析の課題を分析した。 そこで本研究では,テキストとAMRの特徴の領域分布のばらつきを低減するための2つの手法について検討した。
• 参考スコア（独自算出の注目度）: 30.34105706152887
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Abstract Meaning Representation (AMR) parsing aims to predict an AMR graph from textual input. Recently, there has been notable growth in AMR parsing performance. However, most existing work focuses on improving the performance in the specific domain, ignoring the potential domain dependence of AMR parsing systems. To address this, we extensively evaluate five representative AMR parsers on five domains and analyze challenges to cross-domain AMR parsing. We observe that challenges to cross-domain AMR parsing mainly arise from the distribution shift of words and AMR concepts. Based on our observation, we investigate two approaches to reduce the domain distribution divergence of text and AMR features, respectively. Experimental results on two out-of-domain test sets show the superiority of our method.
• Abstract（参考訳）: 抽象的意味表現(AMR)解析は、テキスト入力からAMRグラフを予測することを目的としている。 近年,AMR解析性能が顕著に向上している。 しかし、既存のほとんどの研究は、AMR解析システムの潜在的なドメイン依存を無視して、特定のドメインのパフォーマンスを改善することに重点を置いている。 そこで本研究では,5領域の代表的なAMRパーサを広範囲に評価し,ドメイン間AMRパーサの課題を分析する。 ドメイン間AMR解析の課題は主に単語とAMR概念の分布シフトから生じている。 そこで本研究では,テキストとAMRの特徴の領域分布のばらつきを低減するための2つの手法について検討した。 2つの領域外テストセットの実験結果から,本手法の優位性が確認された。

関連論文リスト

• AMR Parsing is Far from Solved: GrAPES, the Granular AMR Parsing Evaluation Suite [18.674172788583967]
  粒状AMR解析評価スイート(GrAPES) 粒状AMR解析評価スイート(GrAPES)について紹介する。 GrAPESは、現在のAMRの能力と欠点を深く明らかにしている。
  論文  参考訳（メタデータ） (2023-12-06T13:19:56Z)
• 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)
• A Survey : Neural Networks for AMR-to-Text [2.3924114046608627]
  AMR-to-Textは、抽象的意味表現(AMR)グラフから文を生成することを目的とした、NLPコミュニティの重要なテクニックの1つである。 2013年にAMRが提案されて以来、AMR-to-Textの研究は、構造化データのテキストへの必須の分岐として、ますます広まりつつある。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• ATP: AMRize Then Parse! Enhancing AMR Parsing with PseudoAMRs [34.55175412186001]
  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。
  論文  参考訳（メタデータ） (2022-04-19T13:15:59Z)
• Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
  ドメイン固有の表現からドメイン不変表現を取り除こうとする。 実験では,本手法を単目的,複目的のケースで評価した。
  論文  参考訳（メタデータ） (2021-08-15T07:58:59Z)
• Probabilistic, Structure-Aware Algorithms for Improved Variety, Accuracy, and Coverage of AMR Alignments [9.74672460306765]
  本稿では,抽象的意味表現(AMR)の成分を英文で並べるアルゴリズムを提案する。 教師なし学習をグラフと組み合わせて活用し、前回のAMRから両世界を最大限に活用する。 提案手法は,従来考えられていたより多様なAMRサブ構造を網羅し,ノードとエッジのより高いカバレッジを実現し,精度の高いAMRサブ構造を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:46:32Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• 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)
• Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
  従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。 本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
  論文  参考訳（メタデータ） (2020-07-17T22:05:09Z)
• Normalizing Compositional Structures Across Graphbanks [67.7047900945161]
  本稿では,MR間の相違を組成レベルで正規化する手法を提案する。 我々の研究はMRの合成構造におけるマッチングを著しく向上させ、マルチタスク学習を改善する。
  論文  参考訳（メタデータ） (2020-04-29T14:35:50Z)

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。