- 视觉引导语法归纳模型的联合推理中重新定义语言启发
使用一系列神经视觉语法归纳模型,通过同时学习句法和语义来展示语义引导和句法引导对语言习得的影响,并表明联合学习能够提高语法归纳、词类学习和新句子和动词意义的解释。联合学习通过相互约束句法和语义的假设空间,使得语言习得对学习者更容易。同时,研 - 时间动作分割的活动语法
通过引入有效的活动语法,本文提出了一种新颖的语法归纳算法,可以从动作序列数据中提取强大的无上下文语法,并开发了一种高效的广义解析器,根据归纳的语法和递归规则将帧级概率分布转化为可靠的动作序列。实验结果表明,我们的方法在两个标准基准评估 Br - 使用轻微上下文敏感文法进行非监督式不连续成分句法分析
研究语法诱导,使用线性无上下文重写系统进行无监督不连续解析,将文法形式限制为二元 LFCRS 并使用张量分解与参数化规则概率得到大量非终端符号,从而能够诱导出具有连续和不连续结构的语言学意义的树。
- 句法方言分类的时空稳定性
本文分析了基于句法表示的方言分类器在空间和时间上的稳定程度,并构建了一个测试集,评估了 12 种英语方言在 3 年内随时间变化的分类准确性和语法变化速率。通过在语用建构语法范式(CxG)中制定的句法表示,可以识别在时间和空间上发生语法变化的 - 从部分和噪声观测中准确推断 HDDL 领域的学习算法
采用语法归纳的方法,HierAMLSI 能够以高精度学习带有噪声和部分观察的 HTN 计划域的行动模型和分解。
- ACL神经双词汇化 PCFG 归纳
本文提出一种参数化 Neural lexicalized PCFGs 的方法,该方法直接模拟双词依赖性,并同时降低 L-PCFGs 的学习和表达复杂度,实验结果表明该方法提高了解析性能。
- EMNLP视觉基础复合 PCFG
本文将视觉与语言相结合用于语言理解,采用一种基于概率无上下文文法模型的 full-differentiable 端到端视觉理解模型,在 MSCOCO 测试标题上取得了新的最佳效果,证实了视觉基础在短语结构语法归纳中的有效性。
- ACL词汇依赖关系的回归:神经词汇化 PCFGs
本文演示了基于上下文无关文法(CFG)的语法归纳方法从建模词法依赖方面受益,这与当前最流行的语法归纳方法形成对比,后者专注于发现要么为构件,要么为依存关系;本研究的神经模型克服了稀疏性问题,有效地在单个模型中诱导了构件和依存关系的统一框架; - ACL复合概率上下文无关文法用于文法归纳
我们研究了一个语法归纳问题的正式化,其将句子建模为由复合概率上下文无关文法生成。与传统的学习单一随机文法的方式不同,我们的文法的规则概率由每个句子的连续潜变量调制,这在传统上下文无关假设以外引出了边际依赖性。这种文法的推理通过折叠变分推理实 - ACL自我注意网络的建设性类型逻辑超标记
应用自注意力网络进行语法归纳,提出面向细化型逻辑语法的基于注意力的超标注器,能够在训练过程中学习语法类型系统的语法和指称语义,从而提高了超标注器的推广能力。
- EMNLP深度限制是有效的:无监督 PCFG 归纳的改进和评估
本研究利用深度限制的贝叶斯 PCFG 自动词法分析器,通过截取词句间的递归结构复杂度,有效增强了模型准确性,在英语、中文和德语文本的句法分析实验中表现出与最先进的构成基础语法诱导模型同等甚至更高的准确性。
- EMNLP神经语言模型语法归纳:一次不寻常的复制实验
该研究针对最近基于潜在树学习的神经网络模型探索,探索在非解析任务下使用解析值潜变量训练模型,用于发现可解释的树形结构,并成功在语言建模和成分句法分析领域展示了潜在树学习的实用性。
- 带有深度限制的 PCFG 无监督语法归纳
本篇研究将深度限制的方法应用于概率无上下文语法归纳,并在语法获取方面取得了出色的结果,并且从该模型中获得的语法证明了对类别标签的一致使用。
- ICML使用递归神经网络诱导正则文法
本研究探讨使用神经网络来识别规则语法,我们训练了一个 RNN 来区分符合正则语言规则的字串与不符合的字串,并利用算法提取学习到的有限自动机,我们发现了关于网络状态之间联系的意想不到结果,这可能被视为泛化的证据。
- 使用监督学习发现潜在结构的句法类型学细粒度预测
本研究展示了如何通过部分语音序列对一个新语言的基本语序事实进行预测,并且通过大量的合成语言训练数据,将这个通常被认为是无监督学习的问题转化成了有监督学习,从而成功地识别了一个语言的 POS 序列的表面特征(手工特征或神经特征)与其更深层次的 - 通用词性标注集
为了简化未监督学习句法结构的研究并标准化其最佳实践,我们提出了由十二个通用词性类别组成的标签集,同时我们还开发了一种映射由 25 个不同的树库标签集转换为这个通用集的方法。与原始的树库数据相结合,这个通用标签集和映射生成了一个由 22 种不 - 利用左角语言模型进行概率句法分析
本文介绍一种基于概率的左角解析器,并说明如何从分析的数据中感应语法,使用这种方法解析从宾州树库感应的语法,比起只使用自顶向下的概率上下文无关文法,左角方法具有优势,但认为由于宾州树库括号的平坦性以及感应语法的明显过度生成和欠生成,宾州树库提