論文の概要: Empirical Analysis for Unsupervised Universal Dependency Parse Tree Aggregation

• arxiv url: http://arxiv.org/abs/2403.19183v2
• Date: Wed, 3 Apr 2024 05:53:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 21:38:27.853788
• Title: Empirical Analysis for Unsupervised Universal Dependency Parse Tree Aggregation
• Title（参考訳）: 教師なしUniversal Dependency Parse Tree Aggregationの実証解析
• Authors: Adithya Kulkarni, Oliver Eulenstein, Qi Li,
• Abstract要約: 依存関係解析はNLPにおいて必須のタスクであり、多くの下流タスクには依存性の品質が不可欠である。 様々なNLPタスクにおいて、アグリゲーション法は後処理のアグリゲーションに使われ、様々な品質の問題に対処することが示されている。 異なる非教師付き後処理アグリゲーション法を比較し、最も適した依存木構造アグリゲーション法を同定する。
• 参考スコア（独自算出の注目度）: 9.075353955444518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dependency parsing is an essential task in NLP, and the quality of dependency parsers is crucial for many downstream tasks. Parsers' quality often varies depending on the domain and the language involved. Therefore, it is essential to combat the issue of varying quality to achieve stable performance. In various NLP tasks, aggregation methods are used for post-processing aggregation and have been shown to combat the issue of varying quality. However, aggregation methods for post-processing aggregation have not been sufficiently studied in dependency parsing tasks. In an extensive empirical study, we compare different unsupervised post-processing aggregation methods to identify the most suitable dependency tree structure aggregation method.
• Abstract（参考訳）: 依存性解析はNLPにおいて必須のタスクであり、多くの下流タスクでは依存性解析の質が不可欠である。 パーサーの品質はドメインや関連する言語によって異なります。 したがって、安定した性能を達成するためには、様々な品質の問題に対処することが不可欠である。 様々なNLPタスクにおいて、アグリゲーション法は後処理のアグリゲーションに使われ、様々な品質の問題に対処することが示されている。 しかし, 処理後アグリゲーションのためのアグリゲーション手法は, 依存解析タスクにおいて十分に研究されていない。 広範にわたる実証研究において、教師なし後処理集約法を比較し、最も適した依存木構造集約法を同定する。

関連論文リスト

• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Variable Importance in High-Dimensional Settings Requires Grouping [19.095605415846187]
  Conditional Permutation Importance (CPI)は、そのような場合のPIの制限をバイパスする。 クラスタリングまたはいくつかの事前知識を介して統計的に変数をグループ化すると、ある程度のパワーバックが得られる。 重み付けにより拡張された手法は,高相関なグループであっても,型Iエラーを制御可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-18T00:21:47Z)
• Topic-driven Distant Supervision Framework for Macro-level Discourse Parsing [72.14449502499535]
  テキストの内部修辞構造を解析する作業は、自然言語処理において難しい問題である。 近年のニューラルモデルの発展にもかかわらず、トレーニングのための大規模で高品質なコーパスの欠如は大きな障害となっている。 近年の研究では、遠方の監督を用いてこの制限を克服しようと試みている。
  論文  参考訳（メタデータ） (2023-05-23T07:13:51Z)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• Solving Continuous Control via Q-learning [54.05120662838286]
  深いQ-ラーニングの簡単な修正は、アクター批判的手法による問題を大幅に軽減することを示します。 バンバン動作の離散化と値分解、協調マルチエージェント強化学習(MARL)としての単一エージェント制御のフレーミングにより、このシンプルな批判のみのアプローチは、最先端の連続アクター批判法の性能と一致する。
  論文  参考訳（メタデータ） (2022-10-22T22:55:50Z)
• Probing for Labeled Dependency Trees [25.723591566201343]
  DepProbeは、埋め込みからラベル付きおよび指示付き依存関係解析木を抽出できる線形プローブである。 提案手法は13言語にまたがって,当時最高のソースツリーバンクを同定する。
  論文  参考訳（メタデータ） (2022-03-24T10:21:07Z)
• The BP Dependency Function: a Generic Measure of Dependence between Random Variables [0.0]
  ランダム変数(RV)間の依存関係の測定と定量化は、データセットに対する重要な洞察を与えることができる。 データ分析の一般的な実践は、ほとんどのデータアナリストが、RV間の依存を定量化するためにピアソン相関係数(PCC)を使用していることである。 これらの要件をすべて満たした新しい依存性関数を提案する。
  論文  参考訳（メタデータ） (2022-03-23T11:14:40Z)
• Compositional Generalization in Dependency Parsing [15.953482168182003]
  しかし、依存性には構成解析ベンチマークがない。 複合分散の増大は依存性性能を低下させるが、意味解析性能ほど劇的ではない。 最も難しい分割において、依存関係の低いパフォーマンスを駆動する多くの構文構造を特定します。
  論文  参考訳（メタデータ） (2021-10-13T16:32:24Z)
• Diversity-Aware Batch Active Learning for Dependency Parsing [12.579809393060858]
  DPPで多種多様なバッチを選択することは、バッチの多様性を強制しない強い選択戦略よりも優れていることを示す。 我々の多様性意識戦略は、多様性に依存しないサンプリング戦略が著しい劣化を示すコーパス複製条件下で堅牢である。
  論文  参考訳（メタデータ） (2021-04-28T18:00:05Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)
• A Survey of Unsupervised Dependency Parsing [62.16714720135358]
  教師なしの依存関係解析は、正しいパースツリーのアノテーションを持たない文から依存関係を学ぶことを目的としている。 その困難さにもかかわらず、教師なしの構文解析は、ほとんど無制限に注釈のないテキストデータを利用することができるため、興味深い研究方向である。
  論文  参考訳（メタデータ） (2020-10-04T10:51:22Z)

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。