学习曲线建模及其在词性标注中的应用

本文引入了一种算法，基于从部分数据获得的结果并采用泛函策略，来估计整个训练数据库上学习曲线的演化。在越过过程中称为预测水平的某一点后，该算法独立于所使用的学习技术，迭代地逼近所需时间点的目标值。该方案在我们的工作假设下被证明是形式上正确的，并包含可靠的邻近条件。这允许用户根据最终可达到的准确率设定收敛阈值，这扩展了停止准则的概念，并且即使在存在失真观测的情况下似乎也是有效的。我们的目标是评估训练工作量，支持决策制定，以减少学习过程中对人力和计算资源的需求。该方案在至少三个操作程序中具有意义。第一是预测准确率增益，旨在衡量达到某种性能水平所需的工作量。第二涉及训练时系统间效率的比较，目标是仅对最符合我们要求的系统完成此任务。准确率预测也是定制系统的一项有价值的信息，因为我们可以提前估计设置对性能和开发成本的影响。以词性标注器的生成作为示例应用，实验结果与我们的预期一致。