CrossAligner 及系列方法：面向任务型跨语言自然语言理解的零样本迁移方法
计算与语言
2022-03-21 v1
摘要
任务型个人助手使人们能够使用自然语言与大量设备和服务交互。使神经对话系统惠及更多用户所面临的挑战之一是除少数语言外缺乏训练数据。零样本方法试图通过在高资源语言（如英语）中获取任务知识，并将其迁移到低资源语言来解决此问题。为此，我们引入 CrossAligner，这是一种基于从无标注平行数据中学习对齐的多种有效零样本跨语言迁移方法的主要方法。我们对各单独方法及其加权组合进行了定量分析，其中若干方法在九种语言、十五个测试集和三个多语言基准数据集上的评估超过了当前最优（SOTA）分数。对最佳方法的详细定性错误分析表明，我们微调后的语言模型能够比预期更好地零样本迁移任务知识。
引用
@article{arxiv.2203.09982,
title = {CrossAligner & Co: Zero-Shot Transfer Methods for Task-Oriented Cross-lingual Natural Language Understanding},
author = {Milan Gritta and Ruoyu Hu and Ignacio Iacobacci},
journal= {arXiv preprint arXiv:2203.09982},
year = {2022}
}
备注
Long paper (multilingual track) to appear at ACL (Findings) 2022