ACLOct, 2019

针对联合多特征和多方言形态建模的对抗多任务学习

PDF
TL;DR本文探索了利用多任务学习和敌对训练方法解决形态丰富的阿拉伯语言以及方言差异问题，并以现代标准阿拉伯语（高资源方言）和埃及阿拉伯语（低资源方言）为案例，在全面的形态标注中取得了最先进的结果。
morphological taggingmultitask learningadversarial trainingdialectal variationsarabic
发现论文，激发创造
  • 文本分类的对抗多任务学习

    本文提出了一个基于对抗学习的多任务学习框架，在 16 个文本分类任务上的实验结果表明了该方法的优势，并证明了模型学习到的共享知识可以作为现成的知识轻松迁移到新的任务中。

    Apr, 2017

  • 通过多任务学习解开方言与社会偏见以提高公平性

    方言、自然语言处理方法、偏见语言、公平性和多任务学习的关键字；使用多任务学习可以提高公平性，并更可靠地检测偏见语言的特性。

    Jun, 2024

  • 一种适用所有语言的 “统治者”: 基于对抗多任务学习的多语言对话评价

    提出了一种跨语言对话评估的 ADVMT 模型，利用神经网络指标对开放域对话系统的表现进行评估，并在两种不同语言的情况下进行评估，结果显示其与人工评估的相关性高于现有指标。

    May, 2018

  • 一种联合多任务模型：为多个 NLP 任务构建神经网络

    本研究提出一种多任务学习模型，可以同时训练多种语言学层次的任务，并通过一种逐步增加深度的策略来解决越来越复杂的任务。该模型使用一个简单的正则化项来实现在提高某一任务的损失函数时，不影响其他任务的学习效果。实验结果表明，这个端到端的模型在标签、句法分析、相关性与蕴含等五种任务上取得了最先进或有竞争力的结果。

    Nov, 2016

  • 使用预训练语言模型进行阿拉伯语及其方言的形态句法标注

    该研究利用预训练转换器语言模型对不同形式的阿拉伯语进行形态句法标记，优于现有系统，在不同区域的阿拉伯语可获得显著改进，特别是在资源匮乏的情况下，利用其他高资源方言的数据进行微调，以及使用高质量的形态分析器作为外部语言资源是有益的。

    Oct, 2021

  • 通过联合学习歧义形态标记来提升命名实体识别

    本研究提出了一种模型，通过联合学习 NER 和 MD 标签器来减轻需要 MD 工具的需求，并且可以在不同语言之间独立进行，实现了命名实体识别性能的提高和竞争性的形态消歧定位器表现。

    Jul, 2018

  • 跨语种字符级神经形态标注

    本文研究如何利用转移学习的方法，通过训练 character-level recurrent neural taggers 的方式，使得高资源语言和低资源语言都能够正确预测 morphological taggings，成功地实现了多语言间的知识迁移，有效提高了准确性达 30%。

    Aug, 2017

  • 端到端隐喻检测的对抗多任务学习

    本论文提出了一种基于多任务学习的方法，通过使用对对手学习进行元喻识别模型与词义消歧模型间的特征转移，从而缓解元喻识别领域中因数据量过少而导致的问题。实验表明，该方法具有很好的性能表现。

    May, 2023

  • 联合符号音标标注、词形还原、规范化和细粒度形态标注

    该研究使用阿拉伯语探讨了联合建模的方法，具体包括字符级别的词汇化特征和字词级别的非词汇化特征，可以更好地将模糊的语言特征解模糊，进一步提高模型的效果和词义的准确性。该方法在现代标准阿拉伯语和阿拉伯埃及话方言的翻译中都取得了相对较好的实验结果。

    Oct, 2019

  • 具有语义检测的中文文本纠错对抗多任务学习方法

    该研究提出对抗多任务学习方法以增强中文文本的语义纠错能力，实验结果表明该方法在中文文本纠错任务中具有良好的性能。

    Jun, 2023