قد يتم تنفيذ أنواع معينة من مشاكل التصنيف على مستويات متعددة من الحبيبات؛ على سبيل المثال، قد نريد معرفة قطبية المعنويات وثيقة أو جملة أو عبارة. في كثير من الأحيان، قد يكون التنبؤ في سياق أكبر (على سبيل المثال، الجمل أو الفقرات) أمرا مفيدا للتنبؤ أكثر تجميعية في وحدة دلالية أصغر (مثل الكلمات أو العبارات). ومع ذلك، قد يستنتج بشكل مباشر أكثر الميزات المحلية البارزة من التنبؤ العالمي من التوقعات العالمية في دلالات هذه العلاقة. يجادل هذا العمل بأن الاستدلال على طول العلاقة بين المواجهة بالتنبؤ المحلي والتنبؤ العالمي المقابل يجعل إطار الاستدلال أكثر دقة وقوية للضوضاء. نوضح كيف يمكن تنفيذ إطار الخازن هذا كدالة نقل تعمل على إعادة كتابة سياق أكبر من فئة واحدة إلى أخرى وإظهار كيفية تدريب وظيفة النقل المناسبة من كوربوس الناتج عن المستخدم صاخبة. تتحقق النتائج التجريبية البصيرة الخاصة بنا أن إطار المواقد المقترح يتفوق على النهج البديلة على مجالات المشكلات المقيدة بالموارد.
Certain types of classification problems may be performed at multiple levels of granularity; for example, we might want to know the sentiment polarity of a document or a sentence, or a phrase. Often, the prediction at a greater-context (e.g., sentences or paragraphs) may be informative for a more localized prediction at a smaller semantic unit (e.g., words or phrases). However, directly inferring the most salient local features from the global prediction may overlook the semantics of this relationship. This work argues that inference along the contraposition relationship of the local prediction and the corresponding global prediction makes an inference framework that is more accurate and robust to noise. We show how this contraposition framework can be implemented as a transfer function that rewrites a greater-context from one class to another and demonstrate how an appropriate transfer function can be trained from a noisy user-generated corpus. The experimental results validate our insight that the proposed contrapositive framework outperforms the alternative approaches on resource-constrained problem domains.
References used
https://aclanthology.org/
Commonsense inference to understand and explain human language is a fundamental research problem in natural language processing. Explaining human conversations poses a great challenge as it requires contextual understanding, planning, inference, and
Automatic fact verification has attracted recent research attention as the increasing dissemination of disinformation on social media platforms. The FEVEROUS shared task introduces a benchmark for fact verification, in which a system is challenged to
Pre-trained language models learn socially harmful biases from their training corpora, and may repeat these biases when used for generation. We study gender biases associated with the protagonist in model-generated stories. Such biases may be express
Achieving the intended purpose of the local administration requires carful selection of the
elements assigned to work in local units, which requires that those elements are aware of
local reality and have sufficient technical expertise. In the cont
Early exit mechanism aims to accelerate the inference speed of large-scale pre-trained language models. The essential idea is to exit early without passing through all the inference layers at the inference stage. To make accurate predictions for down