通过基于程序执行结果的领域无关过滤机制,我们的研究提出在弱监督语义分析框架中应用该方法可以显著提高性能。
Nov, 2023
本研究提出了一种在多个知识库上进行语义解析的框架,采用弱监督训练。通过多个特定于域的语义分析器(教师)训练一个统一的多域语义解析器(学生)来解决这一挑战。 在标准 Overnight 数据集上,相对于基线技术,该模型在指称准确性方面提高了 20%。
Jun, 2019
本研究旨在为语义解析器注入归纳偏置,以便能够区分虚假和正确的程序,并提出了基于结构化潜在变量的潜在对齐框架,将语义解析任务分解成预测抽象程序和使用微分动态规划建模结构化对齐所需的步骤,最终在 WIKITABLEQUESTIONS 和 WIKISQL 数据集上取得了最先进的性能。新提出的结构对齐机制比标准关注机制更为有效。
Sep, 2019
本论文提出了一种训练语义解析器的新方式,即利用抽象化表示,而非强监督方式(程序),以缓解训练过程中的困难。经实验证明,这种方法可以成功地用于处理视觉推理数据集以提升性能。
Nov, 2017
本文针对半监督学习中 NL utterances 匹配 program 的任务,提出了一种新的方法 —— 鼓励 parser 为未标注 utterances 生成可执行的 program,并从后验正则化的角度提出了一组新的训练目标,实验显示这些新目标优于常规方法,使半监督和监督学习之间的差距缩小。
Apr, 2021
本文针对知识库问答的弱监督问题,提出了一种基于操作预测的搜索方法,缩小了搜索空间,避免了冗余逻辑形式,减少了噪声,从而在 CSQA 数据集上将准确率和召回率分别提高了 5 个百分点。
该研究论文针对通过自然语言指令进行解析的语义解析器,在利用弱监督学习时引入主动学习以提高模型性能的问题进行了研究,并在两个数据集上进行了实验。
Nov, 2019
本文综述了语义解析系统的各种组件及从初始基于规则的方法到当前程序综合的神经方法的重要进展,重点探讨了使用不同程度监督的方法,并强调了学习此类系统所涉及的关键挑战。
Dec, 2018
本文提出了一种基于神经网络的解析器 - 排序器系统用于弱监督语义解析,通过对表征的推理公式使用线索来生成候选的树结构逻辑形式,并对其进行排序,以此平衡正确执行和掌握语义的两个目标,进一步使用神经编码的词表注入领域知识,并在三个 Freebase 数据集上进行实验,获得了达到最先进水平的效果.
Aug, 2018
介绍了一种神经符号机器,该机器结合了神经 ' 编程器 ' 和符号 ' 计算机 ',以直接优化 structured prediction 问题的任务奖励,通过 REINFORCE 算法并结合迭代的最大似然训练流程强化训练,能够在 WebQuestionsSP 数据集上胜过现有技术。
Oct, 2016