Auto-correction dans un analyseur neuronal par transitions : un comportement factice ?

TitreAuto-correction dans un analyseur neuronal par transitions : un comportement factice ?
Publication TypeArticle dans des actes
Année de la conférence2022
AuthorsZhao, Fang
Nom de la conférenceActes de la 29e Conférence sur le Traitement Automatique des Langues Naturelles. Volume 2 : 24e Rencontres Etudiants Chercheurs en Informatique pour le TAL (RECITAL)
Pagination20-32
Date de publication6
PublisherAssociation pour le Traitement Automatique des Langues
Conference LocationAvignon, France
Mots-clésauto-correction, intégration de tâches, morpho-syntaxique, multi-tâche, oracle dynamique, oracle statique, sémantique.
Abstract

Cette étude explore la capacité d'auto-correction dans le cas d'un analyseur neuronal par transitions. Nous définissons un oracle dynamique pour le système étudié lui apprenant à s'auto-corriger. Les performances du modèle restent identiques à celles du modèle de base, qui ne s'auto-corrige pas. En effet, il y a à peu près autant de « corrections » justes que de fautives. Les erreurs finales commises par les deux modèles sont aussi similaires. Nous montrons néanmoins que beaucoup des corrections effectuées par le modèle avec oracle dynamique coïncident avec des cas difficiles à gérer par les analyseurs automatiques. Le problème d'apprentissage d'un comportement efficace d'auto-correction retombe dans un traitement efficace de ces cas difficiles.

URLhttp://talnarchives.atala.org/RECITAL/RECITAL-2022/9.pdf
Fichier: