論文の概要: Strictly Breadth-First AMR Parsing

• arxiv url: http://arxiv.org/abs/2211.03922v1
• Date: Tue, 8 Nov 2022 00:42:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 16:01:37.877864
• Title: Strictly Breadth-First AMR Parsing
• Title（参考訳）: 厳密な幅優先型amr解析法
• Authors: Chen Yu, Daniel Gildea
• Abstract要約: 我々は,最近提案され,他の手法よりも優れた性能を実現したAMR解析の広義の戦略に焦点を当てた。 我々は,解析が厳密に第1次順序に従うことを強調する新しいアーキテクチャを提案する。 この新たなアーキテクチャと文とグラフエンコーダの改善によって、私たちのモデルは、AMR 1.0と2.0データセットの両方でより良いパフォーマンスを得ることができます。
• 参考スコア（独自算出の注目度）: 14.465679158068498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AMR parsing is the task that maps a sentence to an AMR semantic graph automatically. We focus on the breadth-first strategy of this task, which was proposed recently and achieved better performance than other strategies. However, current models under this strategy only \emph{encourage} the model to produce the AMR graph in breadth-first order, but \emph{cannot guarantee} this. To solve this problem, we propose a new architecture that \emph{guarantees} that the parsing will strictly follow the breadth-first order. In each parsing step, we introduce a \textbf{focused parent} vertex and use this vertex to guide the generation. With the help of this new architecture and some other improvements in the sentence and graph encoder, our model obtains better performance on both the AMR 1.0 and 2.0 dataset.
• Abstract（参考訳）: AMR解析は、文をAMRセマンティックグラフに自動的にマッピングするタスクである。 我々は、最近提案され、他の戦略よりも優れた性能を達成したこのタスクの幅優先戦略に焦点を当てた。 しかしながら、この戦略の下での現在のモデルは、AMRグラフを幅優先の順序で生成するモデルのみを \emph{encourage} とするが、 \emph{cannot guarantee} はそれを保証しない。 この問題を解決するために,解析が幅優先の順序に厳密に従うことを示す,新しいアーキテクチャを提案する。 各パースステップでは、 \textbf{focus parent} 頂点を導入し、この頂点を用いて生成を導く。 この新たなアーキテクチャと文とグラフエンコーダの改善によって、私たちのモデルは、AMR 1.0と2.0データセットの両方でより良いパフォーマンスを得ることができます。

関連論文リスト

• NAMER: Non-Autoregressive Modeling for Handwritten Mathematical Expression Recognition [80.22784377150465]
  手書き数学的表現認識(HMER)は、文書理解における多種多様な応用のために、パターン認識において大きな注目を集めている。 本稿では,HMERのためのボトムアップ非自己回帰モデリング手法であるNAMERを初めて構築する。 NAMERは、VAT(Visual Aware Tokenizer)とPGD(Parallel Graph)を備える。
  論文  参考訳（メタデータ） (2024-07-16T04:52:39Z)
• AMR Parsing with Causal Hierarchical Attention and Pointers [54.382865897298046]
  因果的階層的注意とポインタ機構を備えた新しいAMR解析と新しいモデルCHAPを導入する。 実験の結果, 5つのベンチマークのうち4つのベースラインモデルでは, 追加データがない場合に, ベースラインモデルよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-10-18T13:44:26Z)
• Guiding AMR Parsing with Reverse Graph Linearization [45.37129580211495]
  本稿では,AMR解析のためのReverse Graph Linearization(RGL)フレームワークを提案する。 RGLは、AMRグラフのデフォルトおよび逆線形化順序を定義する。 提案手法は, AMR 2.0 と AMR 3.0 データセットにおいて, 従来最高の AMR 解析モデルである 0.8 と 0.5 の Smatch スコアをそれぞれ上回り, 構造損失蓄積の問題を著しく軽減することを示す。
  論文  参考訳（メタデータ） (2023-10-13T05:03:13Z)
• AMRs Assemble! Learning to Ensemble with Autoregressive Models for AMR Parsing [38.731641198934646]
  アンサンブルモデルがSMATCH計量の弱点を利用してより高いスコアを得る方法を示すが、時にグラフが破損することがある。 本稿では,トランスフォーマーモデルに基づく2つの新しいアンサンブル戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-19T08:58:47Z)
• 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)
• Graph Pre-training for AMR Parsing and Generation [14.228434699363495]
  AMRグラフ上でのPLMの構造認識を改善するために,グラフ自己教師訓練について検討する。 本稿では,グラフ間事前学習のための2つのグラフ自動符号化戦略と,事前学習中にテキストとグラフ情報を統合するための4つのタスクを紹介する。
  論文  参考訳（メタデータ） (2022-03-15T12:47:00Z)
• Hierarchical Memory Learning for Fine-Grained Scene Graph Generation [49.39355372599507]
  本稿では,HML(Hierarchical Memory Learning)フレームワークを提案する。 粗い述語と細かな述語を自律的に分割した後、モデルはまず粗い述語で訓練され、次に細かな述語を学ぶ。
  論文  参考訳（メタデータ） (2022-03-14T08:01:14Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)
• 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)
• AMR Parsing via Graph-Sequence Iterative Inference [62.85003739964878]
  本稿では,AMR解析を入力シーケンスとインクリメンタルに構築されたグラフ上での2つの決定の連続として扱うエンド・ツー・エンドのモデルを提案する。 これら2つの質問に対する回答は相互因果関係であることを示す。 我々は、両方の視点でより良い回答を得るのに役立つ反復推論に基づくモデルを設計し、解析精度を大幅に改善する。
  論文  参考訳（メタデータ） (2020-04-12T09:15:21Z)

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。