神经转导学习及超越：极小资源设置下的形态生成
计算与语言
2019-05-10 v2
摘要
神经最先进的序列到序列（seq2seq）模型在小型训练集上往往表现不佳。我们处理范式补全这一形态学任务，即在给定部分范式的情况下生成所有缺失形式。我们针对极小资源设置提出两种新方法：(i) 范式转导：由于我们假定仅有少量范式可用于训练，神经 seq2seq 模型能够捕捉范式单元间的关系，但受限于训练集的特异性。范式转导通过在测试时利用屈折形式的输入子集来缓解此问题。(ii) 高精度源选择（SHIP）：学习自动选择一个或多个源来预测目标屈折的多源模型在极小资源设置下表现不佳。SHIP 是在训练数据有限时识别可靠源的替代方案。在 52 种语言的基准数据集上，我们以高达 9.71% 的绝对准确率超越了先前的最先进水平。
引用
@article{arxiv.1809.08733,
title = {Neural Transductive Learning and Beyond: Morphological Generation in the Minimal-Resource Setting},
author = {Katharina Kann and Hinrich Schütze},
journal= {arXiv preprint arXiv:1809.08733},
year = {2019}
}
备注
EMNLP 2018