|
Apprentissage profond pour l'analyse en constituants par transition : modèles locaux et modèles globaux| old_uid | 9999 |
|---|
| title | Apprentissage profond pour l'analyse en constituants par transition : modèles locaux et modèles globaux |
|---|
| start_date | 2015/11/06 |
|---|
| schedule | 11h |
|---|
| online | no |
|---|
| location_info | salle 127 |
|---|
| summary | La présentation portera sur l'analyse syntaxique en constituants par transition
à l'aide de méthodes statistiques, et se focalisera sur les modèles de
pondération de type réseaux de neurones. Dans une première partie, nous
présenterons un analyseur syntaxique entièrement supervisé basé sur
des représentations distribuées (embeddings). Il utilise
un modèle de pondération local et un décodage glouton.
Nous présenterons ensuite une extension de ce modèle au cas de l'apprentissage
structuré et de la recherche par faisceau.
Nos expériences confrontent ces modèles à des méthodes de pondérations
basées sur le perceptron.
La dernière partie, plus succincte, évoquera deux travaux en cours
destinés à améliorer l'analyse en constituants : l'entraînement
à l'aide d'un oracle dynamique et l'utilisation de représentations
distribuées basées sur les caractères.
Les travaux présentés sont réalisés en collaboration avec Benoît Crabbé. |
|---|
| responsibles | Candito |
|---|
| |
|