论共指消解中的泛化能力
计算与语言
2021-09-21 v1
摘要
尽管共指消解的定义独立于数据集领域，但大多数执行共指消解的模型在迁移至未见领域时表现不佳。我们整合了 8 个面向不同领域的共指消解数据集，以评估模型的即用性能。随后我们混合三个数据集进行训练；尽管它们的领域、标注指南与元数据存在差异，我们提出了一种在异构数据混合上联合训练单一模型的方法，即利用数据增强来弥补标注差异，并通过采样来平衡数据量。我们发现，在零样本设定下，在单一数据集上训练的模型迁移能力差，而联合训练可改善整体性能，从而带来共指消解模型更好的泛化能力。本工作贡献了一个用于鲁棒共指消解的新基准以及多项新的 state-of-the-art 结果。
引用
@article{arxiv.2109.09667,
title = {On Generalization in Coreference Resolution},
author = {Shubham Toshniwal and Patrick Xia and Sam Wiseman and Karen Livescu and Kevin Gimpel},
journal= {arXiv preprint arXiv:2109.09667},
year = {2021}
}
备注
CRAC 2021