ترغب بنشر مسار تعليمي؟ اضغط هنا

فيما يتعلق بالعلاقة بين الاختلاف النحوي والأداء الصفر

On the Relation between Syntactic Divergence and Zero-Shot Performance

204   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

نستكشف الصلة بين المدى الذي يتم فيه الحفاظ على العلاقات النحوية في الترجمة وسهولة إنشاء شجرة تحليل بشكل صحيح في إعداد طلقة صفرية. في حين أن العمل السابق يشير إلى مثل هذه العلاقة، إلا أنه يميل إلى التركيز على مستوى الكلي وليس على مستوى الحواف الفردية --- فجوة نهدف إلى معالجتها. كحالة اختبار، نقوم بنقل التبعيات العالمية (UD) من الإنجليزية إلى مجموعة متنوعة من اللغات وإجراء مجموعتين من التجارب. في واحد، نقوم بتحليل الأداء الصفر بالرصاص بناء على مدى الحفاظ على حواف مصدر اللغة الإنجليزية في الترجمة. في مكان آخر، نطبق ثلاث تحولات بدوائية بمرحلة مغلفة إلى UD، مما يخلق المزيد من الإصدارات المستقرة عبر الأغراض، وتقييم إمتصاصها الصفرية بالرصاص. من أجل مقارنة أداء التحليل عبر مخططات مختلفة، نقوم بإجراء تقييم خارجي على المهمة المصب المتمثلة في استخراج العلاقات عبر اللغات المتبادلة باستخدام مجموعة فرعية من المعيار الإنجليزي القياسي المترجم إلى الروسية والكورية. في كلتا المجموعتين من التجارب، تشير نتائجنا إلى علاقة قوية بين الاستقرار عبر اللغات وأداء تحليل اللقطة الصفرية.



المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

يعد تطوير آليات تكييف أنظمة الحوار المرنة للمهام والمجالات غير المرئية تحديا كبيرا في أبحاث الحوار.تحفظ النماذج العصبية ضمنيا سياسات الحوار الخاصة بمهام المهام من بيانات التدريب.نؤخر أن هذه الحفظ الضمنية قد حظرت التعلم تحويل الصفر بالرصاص.تحقيقا لهذه الغاية، نستفيد من النموذج الموجه المخطط، حيث يتم توفير سياسة الحوار الخاصة بمهام المهام بشكل صريح للنموذج.نقدم نموذج اهتمام المخطط (SAM) وتحسين تمثيلات المخطط للحصول على ستار كوربوس.يحصل SAM على تحسين كبير في إعدادات طلقة صفرية، مع تحسن درجة +22 F1 على العمل السابق.هذه النتائج التحقق من صحة جدوى عملية التعميم الصفري في مربع الحوار.يتم أيضا تقديم تجارب الاجتثاث لإظهار فعالية SAM.
تم إثبات المشفرات المستندة إلى المحولات المسبدة مسبقا مثل بيرت لتحقيق الأداء الحديث في العديد من مهام NLP العديدة. على الرغم من نجاحهم، فإن ترميز نمط بيرت كبير الحجم ولديها زمن بيانات عالية أثناء الاستدلال (خاصة في آلات وحدة المعالجة المركزية) مما يج علها غير جذابة للعديد من التطبيقات عبر الإنترنت. قدمت أساليب الضغط والتقطير مؤخرا طرقا فعالة لتخفيف هذا القصور. ومع ذلك، فإن محور هذه الأعمال كان أساسا في ترميز أحادي الأونلينغ. بدافع من النجاحات الأخيرة في التعلم عبر التحويل المتبادل في صفر تسديدة باستخدام ترميز مسببات اللغات المسبق، مثل MBERT، فإننا نقيم فعالية تقطير المعرفة (دينار كويتي) خلال مرحلة الاحتجاج وأثناء مرحلة ضبط الدقيقة على نماذج بيرت متعددة اللغات. نوضح أنه في تناقض الملاحظة السابقة في حالة التقطير أحادي الأونلينغ، في الإعدادات المتعددة اللغات، يكون التقطير أثناء الاحتجاز أكثر فعالية من التقطير أثناء ضبط الصفر عن التعلم تحويل الصفر. علاوة على ذلك، فإننا نلاحظ أن التقطير أثناء ضبط الرصيف قد يضر أداء الصفر اللغوي الصفر. أخيرا، نوضح أن تقطير نموذج أكبر (بيرت كبير) ينتج عن أقوى النموذج المقطر الذي يؤدي أفضل سواء على لغة المصدر وكذلك اللغات المستهدفة في إعدادات الطلقة الصفرية.
تمكننا تتبع حالة الحوار عبر المجال الصفرية (DST) من التعامل مع المجالات غير المرئية دون حساب جمع البيانات داخل المجال.في هذه الورقة، نقترح وصفات فتحة معززة النهج الإداري المعزز ل DST الصفرية عبر DST.على وجه التحديد، يقوم نموذجنا أولا بتشميز سياق الحو ار وفتحة مع ترميز من يقارب الذات المدرب مسبقا، ويولد قيمة فتحة بطريقة تراجع تلقائي.بالإضافة إلى ذلك، ندمج نوع الفتحات الوصف المستنيرة التي تلتقط المعلومات المشتركة من فتحات مختلفة لتسهيل نقل المعرفة عبر المجال.توضح النتائج التجريبية على MultiWoz أن طرازنا يحسن بشكل كبير من نتائج أحدث النتائج الموجودة في إعداد المجال المتقاطع Zero-Shot.
إلى جانب توفر مجموعات بيانات واسعة النطاق، مكنت هياكل التعلم العميق التقدم السريع في مهمة الإجابة على السؤال.ومع ذلك، فإن معظم مجموعات البيانات هذه باللغة الإنجليزية، وأدائيات النماذج متعددة اللغات الحديثة أقل بكثير عند تقييمها على البيانات غير الإنج ليزية.نظرا لتكاليف جمع البيانات العالية، فهي ليست واقعية للحصول على بيانات مشروحة لكل لغة رغبة واحدة لدعمها.نقترح طريقة لتحسين السؤال المتبادل الإجابة على الأداء دون الحاجة إلى بيانات مشروح إضافية، واستفادة نماذج توليد السؤال لإنتاج عينات اصطناعية في أزياء متصلة.نظهر أن الطريقة المقترحة تتيح التوفيق بشكل كبير على خطوط الأساس المدربين على بيانات اللغة الإنجليزية فقط.نبلغ عن أحدث طرف جديد في أربع مجموعات بيانات: MLQA و Xquad و Squad-It و PIAF (FR).
تحدث الباحثون عن الحركة الإعرابية و النظام الإعرابي في العربية، فبينوا أهميّتها في بيان المعني، و أهميتها في وصل الكلام،و أما هذه الدراسة فتسعى إلى بيان العلاقة الصوتية بين أواخرِ الكلمات و أوائل مجاوراتها في التركيب النحوي، و إظهار أثر الحركة الإعر ابية و حركة البناء في وظيفة أخرى، لا تقلّ أهمية عن الوظيفتين السابقتين، ألا و هي عدم اختلاط الكلمة بالأخرى في سياق الجملة، فالحركات وفق النظام الإعرابي متعدد الأغراض تعطي الكلمة أهميتها بما يحول دون طمس هذه الهوية داخل الجملة. إنها كالعرى التي توّثق حلقة بأخرى، حتى تكون سلسلة مّتصلة، و لكنها في الوقت نفسه، بمنزلة الفواصل التي لولاها، لبدت حلقات السلسلة مدمجة لا فوارز بينها.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا