AMR 齐聚！基于自回归模型的集成学习用于 AMR 解析
计算与语言
2023-06-21 v1 人工智能
摘要
在本文中，我们考察了当前最先进的 AMR 解析技术，其依赖于通过合并多个图预测结果的集成策略。我们的分析揭示，现有模型常常违反 AMR 结构约束。为解决此问题，我们开发了一种验证方法，并展示了集成模型如何利用 SMATCH 指标的弱点来获得更高分数，但有时会导致图结构损坏。此外，我们强调在全部可能预测之间计算 SMATCH 分数的迫切需求。为克服这些挑战，我们提出了两种基于 Transformer 模型的新型集成策略，在提高对结构约束鲁棒性的同时，也减少了计算时间。我们的方法为增强 AMR 解析器与指标提供了新见解。我们的代码可在 \href{https://www.github.com/babelscape/AMRs-Assemble}{github.com/babelscape/AMRs-Assemble} 获取。
引用
@article{arxiv.2306.10786,
title = {AMRs Assemble! Learning to Ensemble with Autoregressive Models for AMR Parsing},
author = {Abelardo Carlos Martínez Lorenzo and Pere-Lluís Huguet Cabot and Roberto Navigli},
journal= {arXiv preprint arXiv:2306.10786},
year = {2023}
}
备注
ACL 2023. Please cite authors correctly using both lastnames ("Mart\'inez Lorenzo", "Huguet Cabot")