0
| 本文作者： 三川 | 編輯：郭奕欣 | 2017-09-02 06:15 | 專題：EMNLP 2017 |
雷鋒網(wǎng) AI 科技評(píng)論按：自然語言處理領(lǐng)域的頂級(jí)會(huì)議 EMNLP 2017，將于 9 月 7-11 日在哥本哈根召開。今年 EMNLP 共接受論文 323 篇，其中 216 篇為長論文，107 篇為短論文。最佳論文名單已經(jīng)公布，詳見此前報(bào)道：EMNLP 2017 最佳論文揭曉，「男人也愛逛商場」獲最佳長論文。
雷鋒網(wǎng)了解到，著名華人 NLP 學(xué)者、斯坦福大學(xué)副教授 Percy Liang，共有三篇署名論文被 EMNLP 2017 收錄：
《Macro Grammars and Holistic Triggering for Efficient Semantic Parsing 》
作者：Yuchen Zhang, Panupong Pasupat, Percy Liang
《Adversarial Examples for Evaluating Reading Comprehension Systems》
作者：Robin Jia, Percy Liang
《Importance sampling for unbiased on-demand evaluation of knowledge base population》
作者：Arun Chaganty, Ashwin Paranjape, Percy Liang and Christopher D. Manning
Percy Liang
三篇論文的第一作者，Yuchen Zhang、Robin Jia 和 Arun Chaganty，均為 Percy Liang 在斯坦福的指導(dǎo)學(xué)生。第三篇尚未公開，前兩篇論文的摘要如下：
即“《用對(duì)抗方案評(píng)估閱讀理解系統(tǒng)的例子》”
摘要：
標(biāo)準(zhǔn)的精確度衡量標(biāo)準(zhǔn)表明，閱讀理解系統(tǒng)正在快速進(jìn)步。但這些系統(tǒng)究竟能在多大程度上真正理解語言，仍然未知。為了獎(jiǎng)勵(lì)具有語言理解能力的系統(tǒng)，我們針對(duì)斯坦福問答數(shù)據(jù)集 (SQuAD) 提出一個(gè)對(duì)抗評(píng)估方案。我們的方案會(huì)自動(dòng)生成并在段落中插入對(duì)抗語句，然后測試系統(tǒng)是否能圍繞這一段落回答問題。這些對(duì)抗語句的目的在于干擾計(jì)算機(jī)回答系統(tǒng)，但并不會(huì)改變問題的正確答案，也不會(huì)對(duì)人類讀者造成干擾。在這種對(duì)抗方案中，16 個(gè)已發(fā)表模型的精確度從 75%（F1 分?jǐn)?shù)）降到了 36%。當(dāng)對(duì)抗系統(tǒng)被允許加入不符合語法的短語串，有四個(gè)模型的平均精度下降到了 7%。我們希望該發(fā)現(xiàn)能激勵(lì)大家開發(fā)出能夠更精確理解語言的新模型。
地址：https://arxiv.org/abs/1707.07328
即“《應(yīng)用于高效語義解析的宏觀語法和整體觸發(fā)》”
摘要：
為了從注解中學(xué)習(xí)出語義解析器，一個(gè)學(xué)習(xí)算法必須在一個(gè)大型邏輯形式組合空間中，搜索與注解匹配的邏輯組合。我們提出一個(gè)新的在線學(xué)習(xí)算法，能隨著訓(xùn)練進(jìn)程搜索地越來越快。兩個(gè)關(guān)鍵的想法是：1. 對(duì)于當(dāng)前找到的有價(jià)值的邏輯形式，把它們的抽象模式用宏觀語法（macro grammars）緩存起來；2. 根據(jù)句子相似性，使用整體觸發(fā)（holistic triggering）高效抽取最相關(guān)的模式。在 WikiTableQuestions 數(shù)據(jù)集，我們先是擴(kuò)展了已有模型的搜索空間，把最高精確度從 38.7% 提升到了 42.7%。然后，用宏觀語法和整體觸發(fā)實(shí)現(xiàn) 11 倍的加速和 43.7% 的精確度。
地址：https://arxiv.org/abs/1707.07806
雷鋒網(wǎng)AI科技評(píng)論編譯
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
