論文の概要: Review of coreference resolution in English and Persian

• arxiv url: http://arxiv.org/abs/2211.04428v2
• Date: Mon, 5 Aug 2024 20:24:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 20:01:27.672843
• Title: Review of coreference resolution in English and Persian
• Title（参考訳）: 英語とペルシア語における中核決議の見直し
• Authors: Hassan Haji Mohammadi, Alireza Talebpour, Ahmad Mahmoudi Aznaveh, Samaneh Yazdani,
• Abstract要約: 参照解決(CR)は、同じ現実世界の実体を参照する表現を識別する。 本稿では、コア参照とアナフォラ分解能にまたがるCRの最近の進歩について考察する。 ペルシャのCRの独特な課題を認識し、このアンダーリソース言語に焦点をあてる。
• 参考スコア（独自算出の注目度）: 8.604145658574689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coreference resolution (CR), identifying expressions referring to the same real-world entity, is a fundamental challenge in natural language processing (NLP). This paper explores the latest advancements in CR, spanning coreference and anaphora resolution. We critically analyze the diverse corpora that have fueled CR research, highlighting their strengths, limitations, and suitability for various tasks. We examine the spectrum of evaluation metrics used to assess CR systems, emphasizing their advantages, disadvantages, and the need for more nuanced, task-specific metrics. Tracing the evolution of CR algorithms, we provide a detailed overview of methodologies, from rule-based approaches to cutting-edge deep learning architectures. We delve into mention-pair, entity-based, cluster-ranking, sequence-to-sequence, and graph neural network models, elucidating their theoretical foundations and performance on benchmark datasets. Recognizing the unique challenges of Persian CR, we dedicate a focused analysis to this under-resourced language. We examine existing Persian CR systems and highlight the emergence of end-to-end neural models leveraging pre-trained language models like ParsBERT. This review is an essential resource for researchers and practitioners, offering a comprehensive overview of the current state-of-the-art in CR, identifying key challenges, and charting a course for future research in this rapidly evolving field.
• Abstract（参考訳）: 同じ現実世界の実体を参照する表現を識別する参照分解能(CR)は、自然言語処理(NLP)における根本的な課題である。 本稿では、コア参照とアナフォラ分解能にまたがるCRの最近の進歩について考察する。 我々はCR研究を加速させた多種多様なコーパスを批判的に分析し、その強み、限界、様々なタスクに対する適合性を強調した。 CRシステムを評価するために用いられる評価指標のスペクトルについて検討し、その利点、欠点、タスク固有の指標の必要性を強調した。 CRアルゴリズムの進化を辿り、ルールベースのアプローチから最先端のディープラーニングアーキテクチャまで、方法論の詳細な概要を提供する。 私たちは、参照ペア、エンティティベース、クラスタレベル、シーケンス・ツー・シーケンス、グラフニューラルネットワークモデルを調べ、彼らの理論的基盤とベンチマークデータセットのパフォーマンスを解明しました。 ペルシャのCRの独特な課題を認識し、このアンダーリソース言語に焦点をあてる。 既存のペルシャのCRシステムについて検討し、ParsBERTのような事前学習された言語モデルを利用したエンドツーエンドのニューラルモデルの出現を強調した。 このレビューは、研究者や実践者にとって不可欠なリソースであり、CRにおける現在の最先端の概観を提供し、重要な課題を特定し、この急速に発展する分野における将来の研究のコースをチャートアップする。

関連論文リスト

• A comprehensive survey of oracle character recognition: challenges, benchmarks, and beyond [39.542007188857376]
  オラクルの文字認識は考古学、古生物学、歴史文化研究と交差する重要な分野となっている。 伝統的な神託文字認識法は、専門家による手作業による解釈に大きく依存している。 近年のパターン認識とディープラーニングの進歩により、オラクル文字認識の自動化に向けた動きが高まっている。
  論文  参考訳（メタデータ） (2024-11-18T07:50:22Z)
• A Survey of Event Causality Identification: Principles, Taxonomy, Challenges, and Assessment [6.492836595169771]
  事象因果同定(ECI)は自然言語処理(NLP)において重要な課題となっている。 本分類法は文レベル(SECI)と文書レベルの事象因果同定(DECI)の2つの主要なタスクに従ってECIの手法を分類する。
  論文  参考訳（メタデータ） (2024-11-15T17:19:42Z)
• Can We Further Elicit Reasoning in LLMs? Critic-Guided Planning with Retrieval-Augmentation for Solving Challenging Tasks [68.49251303172674]
  最先端の大規模言語モデル(LLM)は、目覚ましい問題解決能力を示すが、複雑な推論と事実の正しさに苦慮する可能性がある。 既存の手法では、チェーン・オブ・ソートと検索強化生成(RAG)の強みを利用して、複雑な問題をより単純なステップに分解し、検索を適用して事実の正しさを向上させる。 CR-Planner(CR-Planner, CR-Planner, CR-Planner)は, 微調整された批判モデルを利用して, 推論と検索の両方のプロセスを計画を通してガイドする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-02T11:26:02Z)
• Beyond Metrics: A Critical Analysis of the Variability in Large Language Model Evaluation Frameworks [3.773596042872403]
  大規模言語モデル(LLM)は進化を続けており、堅牢で標準化された評価ベンチマークの必要性が最重要である。 さまざまなフレームワークがこの分野への注目すべき貢献として現れ、包括的な評価テストとベンチマークを提供している。 本稿では,これらの評価手法の探索と批判的分析を行い,その強度,限界,および自然言語処理における最先端の進展に対する影響について述べる。
  論文  参考訳（メタデータ） (2024-07-29T03:37:14Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• Leveraging Large Language Models for NLG Evaluation: Advances and Challenges [57.88520765782177]
  大規模言語モデル(LLM)は、コヒーレンス、クリエイティビティ、コンテキスト関連など、生成されたコンテンツ品質を評価するための新たな道を開いた。 既存のLCMに基づく評価指標を整理し、これらの手法を理解し比較するための構造化された枠組みを提供する。 本稿では, 偏見, 堅牢性, ドメイン固有性, 統一評価などの未解決課題を議論することによって, 研究者に洞察を提供し, より公平で高度なNLG評価手法を提唱することを目的とする。
  論文  参考訳（メタデータ） (2024-01-13T15:59:09Z)
• OCRBench: On the Hidden Mystery of OCR in Large Multimodal Models [122.27878464009181]
  テキスト関連視覚タスクにおいて, GPT4V や Gemini などの大規模マルチモーダルモデルの包括的評価を行った。 OCRBenchには29のデータセットがあり、最も包括的なOCR評価ベンチマークが利用できる。
  論文  参考訳（メタデータ） (2023-05-13T11:28:37Z)
• GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
  本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。 外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
  論文  参考訳（メタデータ） (2023-02-16T16:45:36Z)
• Investigating Fairness Disparities in Peer Review: A Language Model Enhanced Approach [77.61131357420201]
  我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。 我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。 我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
  論文  参考訳（メタデータ） (2022-11-07T16:19:42Z)
• An Interpretable and Uncertainty Aware Multi-Task Framework for Multi-Aspect Sentiment Analysis [15.755185152760083]
  文書レベルのマルチアスペクト感性分類(DMSC)は困難かつ差し迫った問題である。 DMSC問題に対して,意図的な自己注意に基づく深層ニューラルネットワークモデル,すなわちFEDARを提案する。 FEDARは、予測を解釈しながら、競争性能を達成することができる。
  論文  参考訳（メタデータ） (2020-09-18T22:32:39Z)
• A Framework for Evaluation of Machine Reading Comprehension Gold Standards [7.6250852763032375]
  本稿では,現在の言語的特徴,必要な推論,背景知識,事実的正当性を調査するための統一的な枠組みを提案する。 語彙的曖昧さに寄与する特徴の欠如、期待される回答の様々な事実的正しさ、および語彙的手がかりの存在は、いずれも、評価データの読解の複雑さと品質を低下させる可能性がある。
  論文  参考訳（メタデータ） (2020-03-10T11:30:22Z)

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。