Translate & Fill: 利用合成数据改进零样本多语言语义解析
计算与语言
2021-09-10 v1 人工智能
机器学习
摘要
尽管在单一语言上微调的多语言预训练语言模型（LM）已展现出显著的跨语言任务迁移能力，但当有目标语言监督可用时，语义解析任务中仍存在较大的性能差距。在本文中，我们提出了一种新颖的 Translate-and-Fill (TaF) 方法，为多语言语义解析器生成银标准训练数据。该方法简化了流行的 Translate-Align-Project (TAP) 流水线，由一个序列到序列的填充模型组成，该模型以话语和同一解析的视图为条件构建完整的解析。我们的填充模型仅在英语数据上训练，但能够以零样本方式准确补全其他语言（即英语训练话语的翻译）中的实例。在三个多语言语义解析数据集上的实验结果表明，使用 TaF 进行数据增强所达到的准确率，可与依赖传统对齐技术的类似系统相媲美。
引用
@article{arxiv.2109.04319,
title = {Translate & Fill: Improving Zero-Shot Multilingual Semantic Parsing with Synthetic Data},
author = {Massimo Nicosia and Zhongdi Qu and Yasemin Altun},
journal= {arXiv preprint arXiv:2109.04319},
year = {2021}
}
备注
Accepted to EMNLP 2021 (Findings)