論文の概要: Deep-change at AXOLOTL-24: Orchestrating WSD and WSI Models for Semantic Change Modeling

• arxiv url: http://arxiv.org/abs/2408.05184v1
• Date: Fri, 9 Aug 2024 17:15:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 15:05:23.692311
• Title: Deep-change at AXOLOTL-24: Orchestrating WSD and WSI Models for Semantic Change Modeling
• Title（参考訳）: AXOLOTL-24におけるDeep-change:意味的変化モデリングのためのWSDおよびWSIモデルのオーケストレーション
• Authors: Denis Kokosinskii, Mikhail Kuklin, Nikolay Arefyev,
• Abstract要約: 本稿では,AXOLOTL-24共有タスクのセマンティック・チェンジ・モデリングにおける最初のサブタスクの解について述べる。 本稿では,この課題を解く3つの新しい手法を提案し,実験する。 我々は、与えられた単語の使用法が与えられた感覚定義のいずれかによって説明されないかどうかを判断できるモデルを開発する。
• 参考スコア（独自算出の注目度）: 0.19116784879310028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes our solution of the first subtask from the AXOLOTL-24 shared task on Semantic Change Modeling. The goal of this subtask is to distribute a given set of usages of a polysemous word from a newer time period between senses of this word from an older time period and clusters representing gained senses of this word. We propose and experiment with three new methods solving this task. Our methods achieve SOTA results according to both official metrics of the first substask. Additionally, we develop a model that can tell if a given word usage is not described by any of the provided sense definitions. This model serves as a component in one of our methods, but can potentially be useful on its own.
• Abstract（参考訳）: 本稿では,AXOLOTL-24共有タスクのセマンティック・チェンジ・モデリングにおける最初のサブタスクの解について述べる。 このサブタスクの目的は、より古い時代からのこの単語の感覚と、この単語の獲得した感覚を表すクラスタの間に、より新しい時代から、特定の多文語の使用集合を分配することである。 本稿では,この課題を解く3つの新しい手法を提案し,実験する。 提案手法は,第1サブスタンクの2つの公式指標に基づいてSOTA結果を得る。 さらに、与えられた単語の使用法が、与えられた感覚定義のいずれかによって説明されないかどうかを判断できるモデルを開発する。 このモデルは、我々のメソッドの1つのコンポーネントとして機能するが、それ自体で有用である可能性がある。

関連論文リスト

• AXOLOTL'24 Shared Task on Multilingual Explainable Semantic Change Modeling [3.556988111507058]
  AXOLOTL'24は、多言語で説明可能なセマンティックチェンジモデリング共有タスクである。 本稿では,フィンランド語とロシア語に対する意味変化データセットについて述べる。 AXOLOTL'24のセットアップはセマンティック・チェンジ・モデリング・フィールドにとって新しいものである。
  論文  参考訳（メタデータ） (2024-07-04T17:41:32Z)
• TartuNLP @ AXOLOTL-24: Leveraging Classifier Output for New Sense Detection in Lexical Semantics [0.21485350418225246]
  AXOLOTL-24共有タスクに提案する。 このタスクは2つのサブタスクから構成される: 単語が時間とともに得られる新しい感覚を識別し、識別された新しい感覚の定義を生成する。 適応型バイナリ分類モデルをトレーニングし、使用例とグルースを一致させ、モデルの確率出力を利用して新しい感覚を識別した。
  論文  参考訳（メタデータ） (2024-07-04T11:46:39Z)
• Rosetta Stone at KSAA-RD Shared Task: A Hop From Language Modeling To Word--Definition Alignment [2.6672466522084948]
  この研究は、アラビア語の単語のベクトル表現を付随する記述から導き出すことに重点を置いている。 最初のサブタスクに対して、我々のアプローチは、与えられた定義に埋め込まれた単語を予測し、微調整されたアラビア語 BERT ベースのモデルのアンサンブルに依存する。 対照的に、第2サブタスクの最も効果的な解決策は、英語のテスト定義をアラビア語に翻訳することである。
  論文  参考訳（メタデータ） (2023-10-24T13:23:57Z)
• A Unified Model for Reverse Dictionary and Definition Modelling [7.353994554197792]
  我々は、定義(逆辞書)から単語を推測し、与えられた単語(定義モデリング)を生成するために、二方向ニューラル辞書を訓練する。 本手法は,2つのタスクを同時に学習し,埋め込みによる未知語処理を行う。 単語や定義を共有層を通じて同じ表現空間にキャストし、そこから他の形式をマルチタスク形式で生成する。
  論文  参考訳（メタデータ） (2022-05-09T23:52:39Z)
• Retrieve-and-Fill for Scenario-based Task-Oriented Semantic Parsing [110.4684789199555]
  シナリオベースのセマンティックパーシングを導入し、最初に発話の「scenario」を曖昧にする必要がある元のタスクの変種を紹介します。 この定式化により、タスクの粗くきめ細かな側面を分離することが可能となり、それぞれがオフザシェルフニューラルネットワークモジュールで解決される。 私たちのモデルはモジュール化され、差別化可能で、解釈可能で、シナリオから余分な監督を得られるようになります。
  論文  参考訳（メタデータ） (2022-02-02T08:00:21Z)
• Fake it Till You Make it: Self-Supervised Semantic Shifts for Monolingual Word Embedding Tasks [58.87961226278285]
  語彙意味変化をモデル化するための自己教師付きアプローチを提案する。 本手法は,任意のアライメント法を用いて意味変化の検出に利用できることを示す。 3つの異なるデータセットに対する実験結果を用いて,本手法の有用性について述べる。
  論文  参考訳（メタデータ） (2021-01-30T18:59:43Z)
• SChME at SemEval-2020 Task 1: A Model Ensemble for Detecting Lexical Semantic Change [58.87961226278285]
  本稿では,SemEval-2020 Task 1における語彙意味変化の教師なし検出法であるSChMEについて述べる。 SChMEは、分布モデル(単語埋め込み)とワード周波数モデルの信号を組み合わせたモデルアンサンブルを使用し、各モデルは、その特徴に応じて単語が苦しむ確率を示す投票を行う。
  論文  参考訳（メタデータ） (2020-12-02T23:56:34Z)
• NLP-CIC @ DIACR-Ita: POS and Neighbor Based Distributional Models for Lexical Semantic Change in Diachronic Italian Corpora [62.997667081978825]
  本稿では,イタリア語に対する教師なし語彙意味変化のシステムと知見について述べる。 その課題は、対象の単語が時間とともにその意味を進化させたかどうかを判断することであり、それは2つの時間固有のデータセットからの原文のみに依存する。 本研究では,各期間に対象単語を表す2つのモデルを提案し,しきい値と投票方式を用いて変化単語を予測する。
  論文  参考訳（メタデータ） (2020-11-07T11:27:18Z)
• VCDM: Leveraging Variational Bi-encoding and Deep Contextualized Word Representations for Improved Definition Modeling [24.775371434410328]
  定義モデリングの課題は、単語やフレーズの定義を学習することである。 このタスクの既存のアプローチは差別的であり、直接的ではなく暗黙的に分布的意味論と語彙的意味論を組み合わせたものである。 本稿では、文脈内で使われるフレーズとその定義の基盤となる関係を明示的にモデル化するために、連続潜時変数を導入したタスク生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-07T02:48:44Z)
• Grounded Compositional Outputs for Adaptive Language Modeling [59.02706635250856]
  言語モデルの語彙$-$典型的にはトレーニング前に選択され、後で永久に固定される$-$は、そのサイズに影響します。 言語モデルのための完全合成出力埋め込み層を提案する。 我々の知る限り、この結果はトレーニング語彙に依存しないサイズを持つ最初の単語レベル言語モデルである。
  論文  参考訳（メタデータ） (2020-09-24T07:21:14Z)
• Words aren't enough, their order matters: On the Robustness of Grounding Visual Referring Expressions [87.33156149634392]
  視覚的参照表現認識のための標準ベンチマークであるRefCOgを批判的に検討する。 83.7%のケースでは言語構造に関する推論は不要である。 比較学習とマルチタスク学習の2つの手法を提案し,ViLBERTのロバスト性を高める。
  論文  参考訳（メタデータ） (2020-05-04T17:09:15Z)

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。