A Correlational Encoder Decoder Architecture for Pivot Based Sequence\n Generation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Interlingua based Machine Translation (MT) aims to encode multiple languages\ninto a common linguistic representation and then decode sentences in multiple\ntarget languages from this representation. In this work we explore this idea in\nthe context of neural encoder decoder architectures, albeit on a smaller scale\nand without MT as the end goal. Specifically, we consider the case of three\nlanguages or modalities X, Z and Y wherein we are interested in generating\nsequences in Y starting from information available in X. However, there is no\nparallel training data available between X and Y but, training data is\navailable between X & Z and Z & Y (as is often the case in many real world\napplications). Z thus acts as a pivot/bridge. An obvious solution, which is\nperhaps less elegant but works very well in practice is to train a two stage\nmodel which first converts from X to Z and then from Z to Y. Instead we explore\nan interlingua inspired solution which jointly learns to do the following (i)\nencode X and Z to a common representation and (ii) decode Y from this common\nrepresentation. We evaluate our model on two tasks: (i) bridge transliteration\nand (ii) bridge captioning. We report promising results in both these\napplications and believe that this is a right step towards truly interlingua\ninspired encoder decoder architectures.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle