Fugu-MT 論文翻訳(概要): Marpa and nullable symbols

論文の概要: Marpa and nullable symbols

arxiv url: http://arxiv.org/abs/2303.04093v1
Date: Tue, 7 Mar 2023 17:53:00 GMT
ステータス: 処理完了
システム内更新日: 2023-03-08 14:16:58.371752
Title: Marpa and nullable symbols
Title（参考訳）: Marpaとnull許容シンボル
Authors: Jeffrey Kegler
Abstract要約: マーパは、アーリーのアルゴリズムに関する学術文献において、実践的な一般として利用できる最良の結果を得ることを目的としていた。本稿では,Aycock と Horspool の 2002 年の論文において,Nullable symbols の扱いについて述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Marpa parser was intended to make the best results in the academic literature on Earley's algorithm available as a practical general parser. Earley-based parsers have had issues handling nullable symbols. Initially, we dealt with nullable symbols by following the approach in Aycock and Horspool's 2002 paper. This paper reports our experience with the approach in that paper, and the approach to handling nullables that we settled on in reaction to that experience.
Abstract（参考訳）: marpaパーサーは、earleyのアルゴリズムに関する学術文献の最良の結果を実用的な一般パーサーとして提供することを意図していた。 Earleyベースのパーサーはnull許容シンボルを扱うのに問題がある。最初は、Aycock と Horspool の 2002 年の論文のアプローチに従うことで、null許容記号を扱いました。本稿では,本論文におけるアプローチの経験と,その経験に反応して解決したnull許容を扱うアプローチについて報告する。

関連論文リスト

Provable Optimization for Adversarial Fair Self-supervised Contrastive Learning [49.417414031031264]
本稿では,自己教師型学習環境におけるフェアエンコーダの学習について検討する。すべてのデータはラベル付けされておらず、そのごく一部だけが機密属性で注釈付けされている。
論文参考訳（メタデータ） (2024-06-09T08:11:12Z)
On the Noise Robustness of In-Context Learning for Text Generation [41.59602454113563]
本研究では、テキスト生成タスクにおいて、ノイズの多いアノテーションがテキスト内学習の性能を著しく損なうことを示す。この問題を回避するために,LPR(Local Perplexity Ranking)と呼ばれるシンプルで効果的なアプローチを提案する。 LPRは「騒々しい」候補者を、より清潔である可能性が高い隣人に置き換える。
論文参考訳（メタデータ） (2024-05-27T15:22:58Z)
Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。均一分布仮定に依存しない一貫したアプローチを提案する。相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文参考訳（メタデータ） (2023-11-27T02:59:17Z)
LINC: A Neurosymbolic Approach for Logical Reasoning by Combining Language Models with First-Order Logic Provers [60.009969929857704]
論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
論文参考訳（メタデータ） (2023-10-23T17:58:40Z)
Learning from Label Proportions by Learning with Label Noise [30.7933303912474]
ラベル比例(LLP)からの学習は、データポイントをバッグに分類する弱い教師付き分類問題である。ラベル雑音による学習の低減に基づくLLPに対する理論的基礎的なアプローチを提案する。このアプローチは、複数のデータセットやアーキテクチャにわたるディープラーニングシナリオにおける経験的パフォーマンスの向上を実証する。
論文参考訳（メタデータ） (2022-03-04T18:52:21Z)
An Analysis of Ensemble Sampling [28.18592417451813]
アンサンブルサンプリングは、モデルパラメータの正確な後部分布を維持する際に、トンプソンサンプリングの実用的な近似として機能する。線形バンディット問題にアンサンブルサンプリングを適用する際に望ましい振る舞いを確実にするベイズ後悔境界を確立する。
論文参考訳（メタデータ） (2022-03-02T18:41:22Z)
Assessing the Use of Prosody in Constituency Parsing of Imperfect Transcripts [21.166854490478944]
本研究は、自動認識された会話音声の書き起こしに基づく選挙区解析について検討する。韻律は獲得の重要な部分を占め、分析により、関数語を復元することでより文法的な発話につながることが示唆されている。
論文参考訳（メタデータ） (2021-06-14T23:05:59Z)
Leveraged Weighted Loss for Partial Label Learning [64.85763991485652]
部分ラベル学習は、各インスタンスに候補ラベルのセットが割り当てられるデータを扱うが、そのうちの1つだけが真実である。部分ラベルからの学習に関する多くの方法論の研究にもかかわらず、リスク一貫した性質に関する理論的理解はいまだに欠けている。本稿では,テキスト重み付き損失(LW)と呼ばれる損失関数のファミリーを提案する。これはまず,部分ラベル上の損失と非部分的な損失とのトレードオフを検討するために,レバレッジパラメータ$beta$を導入する。
論文参考訳（メタデータ） (2021-06-10T13:25:13Z)
Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文参考訳（メタデータ） (2021-05-11T03:38:16Z)
Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文参考訳（メタデータ） (2020-10-13T21:33:24Z)
SueNes: A Weakly Supervised Approach to Evaluating Single-Document Summarization via Negative Sampling [25.299937353444854]
本研究は,参照要約の存在を伴わない,弱教師付き要約評価手法に対する概念実証研究である。既存の要約データセットの大量データは、文書と破損した参照要約とのペアリングによってトレーニングのために変換される。
論文参考訳（メタデータ） (2020-05-13T15:40:13Z)

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。