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

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.