論文の概要: Hybrid Rule-Neural Coreference Resolution System based on Actor-Critic Learning

• arxiv url: http://arxiv.org/abs/2212.10087v1
• Date: Tue, 20 Dec 2022 08:55:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 15:21:22.864337
• Title: Hybrid Rule-Neural Coreference Resolution System based on Actor-Critic Learning
• Title（参考訳）: アクタ・クリティック学習に基づくハイブリッドルール・ニューラル・コリファレンス・レゾリューションシステム
• Authors: Yu Wang and Hongxia Jin
• Abstract要約: コアレゾリューションシステムは2つの主要なタスクに取り組む必要がある。 ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。 本稿では,アクター・クリティカル・ラーニングに基づく複合ルール・ニューラル・コア参照解決システムを提案する。
• 参考スコア（独自算出の注目度）: 53.73316523766183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A coreference resolution system is to cluster all mentions that refer to the same entity in a given context. All coreference resolution systems need to tackle two main tasks: one task is to detect all of the potential mentions, and the other is to learn the linking of an antecedent for each possible mention. In this paper, we propose a hybrid rule-neural coreference resolution system based on actor-critic learning, such that it can achieve better coreference performance by leveraging the advantages from both the heuristic rules and a neural conference model. This end-to-end system can also perform both mention detection and resolution by leveraging a joint training algorithm. We experiment on the BERT model to generate input span representations. Our model with the BERT span representation achieves the state-of-the-art performance among the models on the CoNLL-2012 Shared Task English Test Set.
• Abstract（参考訳）: コリファレンス解決システムは、与えられたコンテキストで同じエンティティを参照するすべての言及をクラスタ化する。 すべてのコア参照解決システムは、2つの主要なタスクに取り組む必要がある: 1つのタスクは全ての潜在的な言及を検出すること、もう1つのタスクは、可能な言及ごとに前者のリンクを学習することである。 本稿では,ヒューリスティックなルールとニューラルなカンファレンスモデルの両方の利点を生かして,より優れたコア参照性能が得られるような,アクタ・クリティカルな学習に基づくハイブリッドルール・ニューラルコア参照解決システムを提案する。 このエンドツーエンドシステムは、共同トレーニングアルゴリズムを利用することで、参照検出と解決の両方を実行できる。 BERTモデルを用いて入力スパン表現を生成する。 BERTスパン表現を用いた本モデルは,CoNLL-2012Shared Task English Test Setのモデル間の最先端性能を実現する。

関連論文リスト

• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• Neural Coreference Resolution based on Reinforcement Learning [53.73316523766183]
  コアレゾリューションシステムは2つのサブタスクを解決する必要がある。 ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。 本稿では,アクターをベースとした強化学習型ニューラルコア参照分解システムを提案する。
  論文  参考訳（メタデータ） (2022-12-18T07:36:35Z)
• Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
  本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。 ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。 実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-30T06:38:23Z)
• Distribution Alignment: A Unified Framework for Long-tail Visual Recognition [52.36728157779307]
  長尾視覚認識のための分散アライメント戦略を提案する。 次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。 提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-03-30T14:09:53Z)
• A Joint Representation Learning and Feature Modeling Approach for One-class Recognition [15.606362608483316]
  これら2つのアプローチにはそれぞれ独自の制限があり、この2つを組み合わせることでより効果的な解が得られます。 提案手法は,生成フレームワークと一クラス分類法を組み合わせたものである。 提案手法の有効性を3つの一級分類課題で検証し,その結果を得た。
  論文  参考訳（メタデータ） (2021-01-24T19:51:46Z)
• Revealing the Myth of Higher-Order Inference in Coreference Resolution [20.548299226366193]
  本稿では,高次推論(HOI)がコア参照解決の課題に与える影響を解析する。 エンドツーエンドのコアシステムと4つのHOIアプローチ、先行するエンティティ、クラスタリング、クラスタマージを実装しています。 SpanBERTのような高性能エンコーダを使用すれば,HOIの影響は負である。
  論文  参考訳（メタデータ） (2020-09-25T03:28:07Z)
• Cross-lingual Entity Alignment with Incidental Supervision [76.66793175159192]
  本稿では,多言語KGとテキストコーパスを共通埋め込み方式で共同で表現する,偶発的に教師付きモデルであるJEANSを提案する。 ベンチマークデータセットの実験では、JEANSがエンティティアライメントとインシデントインシデントインシデントインスペクションの改善を期待できる結果となった。
  論文  参考訳（メタデータ） (2020-05-01T01:53:56Z)
• Parallel sequence tagging for concept recognition [0.0]
  名前付きエンティティ認識(NER)と正規化(NEN)は、バイオメディカルテキストのためのあらゆるテキストマイニングシステムの中核となるコンポーネントである。 従来の概念認識パイプラインでは、これらのタスクはシリアルな方法で結合される。 我々は,NER と NEN の両方をシーケンスラベルタスクとしてモデル化し,ソースコードを直接操作する並列アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-16T19:41:07Z)

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。