Oublier ce qu'on sait, pour mieux apprendre ce qu'on ne sait pas : une étude sur les contraintes de type dans les modèles CRF - Laboratoire d'Informatique pour la Mécanique et les Sciences de l'Ingénieur Accéder directement au contenu
Communication Dans Un Congrès Année : 2015

Oublier ce qu'on sait, pour mieux apprendre ce qu'on ne sait pas : une étude sur les contraintes de type dans les modèles CRF

Résumé

Lorsque l'on dispose de connaissances {\sl a priori} sur les sorties possibles d'un problème d'étiquetage, il semble pertinent d'inclure cette information lors de l'apprentissage pour simplifier la tâche de modélisation et accélérer les traitements. Pourtant, même lorsque ces contraintes sont correctes, et bénéfiques au décodage, leur utilisation lors de l'apprentissage peut dégrader sévèrement les performances. Dans cet article, nous étudions ce paradoxe et montrons que le manque de contraste induit par les contraintes entraîne une forme de sous-apprentissage qu'il est cependant possible de limiter.
Fichier principal
Vignette du fichier
2015.jeptalnrecital-long.4.pdf (299.74 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-01634997 , version 1 (30-06-2021)

Identifiants

  • HAL Id : hal-01634997 , version 1

Citer

Nicolas Pécheux, Alexandre Allauzen, Thomas Lavergne, Guillaume Wisniewski, François Yvon. Oublier ce qu'on sait, pour mieux apprendre ce qu'on ne sait pas : une étude sur les contraintes de type dans les modèles CRF. Conférence sur le Traitement Automatique des Langues Naturelles, ATALA, 2015, Caen, France. ⟨hal-01634997⟩
69 Consultations
16 Téléchargements

Partager

Gmail Facebook X LinkedIn More