Kısıtlı koşullu model - Constrained conditional model - Wikipedia

Bir kısıtlı koşullu model (CCM) bir makine öğrenme ve koşullu (olasılıkçı veya ayrımcı) modellerin bildirimsel kısıtlamalarla öğrenilmesini artıran çıkarım çerçevesi. Kısıtlama, ifadeleri dahil etmenin bir yolu olarak kullanılabilir.[açıklama gerekli ] modele önceden bilgi verin ve bu kısıtlamaları karşılamak için öğrenilen model tarafından yapılan atamaları önyargılı yapın. Çerçeve, eğitim ve çıkarımın modülerliğini ve izlenebilirliğini korurken, etkileyici bir çıktı alanındaki kararları desteklemek için kullanılabilir.

Bu tür modeller son zamanlarda[ne zaman? ] çok dikkat çekti[kaynak belirtilmeli ] doğal dil işleme dahilinde (NLP ) topluluk. sorunları şu şekilde formüle etmek kısıtlı optimizasyon öğrenilen modellerin çıktıları üzerindeki problemlerin birçok avantajı vardır. Alana özgü bilgiyi birinci dereceden bir dil kullanarak küresel kısıtlamalar olarak dahil etme fırsatı sağlayarak, sorunların modellenmesine odaklanılmasına izin verir. Bu bildirimsel çerçeveyi kullanmak, geliştiriciyi düşük seviyeden kurtarır özellik mühendisliği Sorunun alana özgü özelliklerini yakalarken ve kesin çıkarımı garanti ederken. Makine öğrenimi perspektifinden, model oluşturma (öğrenme) aşamasını kısıtlı çıkarım aşamasından ayırmaya izin verir, böylece çözümlerin kalitesini artırırken öğrenme aşamasını basitleştirmeye yardımcı olur. Örneğin, sıkıştırılmış cümlelerin oluşturulması durumunda, cümlede en sık kullanılan n-gramları korumak için bir dil modeline güvenmek yerine, kısıtlamalar sıkıştırılmış cümlede bir değiştiricinin tutulması durumunda konu da tutulacaktır.

Motivasyon

Pek çok alanda (doğal dil işleme ve bilgisayarla görme problemleri gibi) kararlar vermek, genellikle, ifade edici bağımlılık yapısının hangi atamaların mümkün olduğunu etkileyebileceği veya hatta dikte edebileceği birbirine bağlı değişkenler kümelerine değer atamayı içerir. Bu ayarlar sadece anlamsal rol etiketleme gibi Yapılandırılmış Öğrenme problemleri için değil, aynı zamanda özetleme, metinsel düzenleme ve soru cevaplama gibi önceden öğrenilmiş birden çok bileşenin kullanılmasını gerektiren durumlar için de geçerlidir. Tüm bu durumlarda, karar problemini, alana veya probleme özgü kısıtlamalara tabi, öğrenilmiş modellerden oluşan objektif bir fonksiyonla, kısıtlı bir optimizasyon problemi olarak formüle etmek doğaldır.

Kısıtlanmış koşullu modeller, açıklayıcı kısıtlamalarla (örneğin birinci dereceden bir temsil kullanılarak yazılmış) koşullu (olasılıklı veya ayrımcı) modellerin öğrenilmesini sürdürürken ifade edici bir çıktı alanındaki kararları desteklemenin bir yolu olarak artıran bir öğrenme ve çıkarım çerçevesi oluşturur. eğitim ve çıkarımın modülerliği ve izlenebilirliği. Bu kısıtlamalar, bazı görevleri tamamen yasaklayan katı kısıtlamaları veya olası olmayan görevleri cezalandıran hafif kısıtlamaları ifade edebilir. Bu çerçevenin NLP'deki çoğu uygulamasında, aşağıdaki[1] Çıkarım çerçevesi olarak Tamsayı Doğrusal Programlama (ILP) kullanıldı, ancak bu amaçla başka algoritmalar da kullanılabilir.

Resmi tanımlama

Bir dizi özellik işlevi verildiğinde ve bir dizi kısıtlama , bir girdi yapısı üzerinde tanımlanmıştır ve bir çıktı yapısı koşullu bir kısıtlama modeli, iki ağırlık vektörü ile karakterize edilir, w ve ve aşağıdaki optimizasyon probleminin çözümü olarak tanımlanır:

.

Her kısıtlama ortak atamanın olup olmadığını gösteren bir boole eşlemesidir bir kısıtlamayı ihlal ediyor ve kısıtlamaların ihlal edilmesi halinde uygulanan cezadır. Sonsuz bir ceza atanan kısıtlamalar, katı kısıtlamalar olarak bilinir ve optimizasyon problemine gerçekleştirilemeyen atamaları temsil eder.

Eğitim paradigmaları

Yerel ve küresel modelleri öğrenmek

CCM'ler tarafından kullanılan amaç işlevi, kısıtlamalarla birlikte modelin tam bir ortak eğitiminden öğrenme ve çıkarım aşamasını tamamen ayırmaya kadar çeşitli şekillerde ayrıştırılabilir ve öğrenilebilir. İkinci durumda, birkaç yerel model bağımsız olarak öğrenilir ve bu modeller arasındaki bağımlılık, küresel bir karar süreci aracılığıyla yalnızca karar anında değerlendirilir. Her yaklaşımın avantajları aşağıda tartışılmıştır. [2] iki eğitim paradigmasını inceleyen: (1) yerel modeller: L + I (öğrenme + çıkarım) ve (2) küresel model: IBT (Çıkarım temelli eğitim) ve hem teorik hem de deneysel olarak IBT'nin (ortak eğitim) en iyisi olduğunu gösterir. sınırda, bazı koşullar altında (temelde "iyi" bileşenler) L + I daha iyi genelleyebilirim.

CCM'nin yerel modelleri birleştirme yeteneği, özellikle ortak öğrenmenin sayısal olarak zor olduğu durumlarda veya eğitim verilerinin ortak öğrenme için mevcut olmadığı durumlarda faydalıdır. Bu esneklik, CCM'yi, istatistiksel bilgileri de bildirimsel kısıtlamalarla birleştiren diğer öğrenme çerçevelerinden ayırır, örneğin Markov mantık ağı, ortak eğitimi vurgulayan.

Minimal denetimli CCM

CCM, aşağıdakileri kullanarak gözetimi azaltmaya yardımcı olabilir alan bilgisi (kısıtlamalar olarak ifade edilir) öğrenmeyi yönlendirmek için. Bu ayarlar üzerinde çalışıldı [3] ve.[4] Bu çalışmalar, yarı denetimli Kısıtlamalara Dayalı Öğrenmeyi (CODL) sunar ve alan bilgisini birleştirerek öğrenilen modelin performansının önemli ölçüde geliştiğini gösterir.

Gizli temsilleri öğrenmek

CCM'ler, öğrenme probleminin gizli bir temsil katmanı üzerinde tanımlandığı gizli öğrenme çerçevelerine de uygulanmıştır. Bir kavramından beri doğru temsil doğası gereği kötü tanımlanmıştır, öğrenci için temsil kararına ilişkin altın standart etiketli veri yoktur. Doğru (veya optimal) öğrenme temsilini belirlemek, bir yapılandırılmış tahmin süreç ve bu nedenle bir CCM olarak modellenmiştir. Bu sorun, her ikisi de denetlenen[5] ve denetimsiz [6] ayarlar. Her durumda araştırmalar, temsil kararları arasındaki karşılıklı bağımlılıkları kısıtlamalar aracılığıyla açıkça modellemenin performansın artmasıyla sonuçlandığını göstermiştir.

Doğal dil işleme uygulamaları için tamsayı doğrusal programlama

CCM beyan formülasyonunun avantajları ve kullanıma hazır çözücülerin mevcudiyeti, çok çeşitli doğal dil işleme dahil olmak üzere çerçeve içinde formüle edilen görevler anlamsal rol etiketleme,[7] sözdizimsel ayrıştırma,[8] çekirdek referans çözüm,[9] özetleme,[10][11][12] harf çevirisi,[13] doğal dil üretimi [14] ve ortak bilgi çıkarma.[15][16]

Bu çalışmaların çoğu, karar problemini çözmek için bir tamsayı doğrusal programlama (ILP) çözücü kullanır. Bir Tamsayılı Doğrusal Programı teorik olarak çözmek, karar probleminin boyutunda üstel olsa da, pratikte son teknoloji çözücüler ve yaklaşık çıkarım teknikler [17] büyük ölçekli problemler verimli bir şekilde çözülebilir.

Kısıtlı bir koşullu model tarafından tanımlanan optimizasyon problemini çözmek için bir ILP çözücüsü kullanmanın temel avantajı, doğrusal bir amaç fonksiyonu ve bir dizi doğrusal kısıtlamadan oluşan, ILP çözücüsü için girdi olarak kullanılan bildirimsel formülasyondur.

Kaynaklar

Dış bağlantılar

Referanslar

  1. ^ Dan Roth ve Wen-tau Yih, "Doğal Dil Görevlerinde Küresel Çıkarım için Doğrusal Programlama Formülasyonu." CoNLL, (2004).
  2. ^ Vasin Punyakanok ve Dan Roth ve Wen-Tau Yih ve Dav Zimak, "Kısıtlı Çıktı Üzerinden Öğrenme ve Çıkarım." IJCAI, (2005).
  3. ^ Ming-Wei Chang ve Lev Ratinov ve Dan Roth, "Sınıra Dayalı Öğrenme ile Yarı Denetime Yönelik." EKL, (2007).
  4. ^ Ming-Wei Chang ve Lev Ratinov ve Dan Roth, "Ön Bilgi Olarak Kısıtlamalar." Metin ve Dil İşleme için Ön Bilgiler ICML Çalıştayı, (2008).
  5. ^ Ming-Wei Chang ve Dan Goldwasser ve Dan Roth ve Vivek Srikumar, "Kısıtlı Gizli Temsillere Göre Ayrımcı Öğrenim." NAACL, (2010).
  6. ^ Ming-Wei Chang Dan Goldwasser Dan Roth ve Yuancheng Tu, "Transliterasyon Keşfi İçin Denetimsiz Kısıt Odaklı Öğrenme."[kalıcı ölü bağlantı ] NAACL, (2009).
  7. ^ Vasin Punyakanok, Dan Roth, Wen-tau Yih ve Dav Zimak, "Tamsayı Doğrusal Programlama Çıkarımı Yoluyla Anlamsal Rol Etiketleme." COLING, (2004).
  8. ^ Kenji Sagae ve Yusuke Miyao ve Jun’ichi Tsujii, "Sığ Bağımlılık Kısıtlamalarıyla HPSG Ayrıştırma." ACL, (2007).
  9. ^ Pascal Denis ve Jason Baldridge, "Tamsayı Programlama Kullanarak Anaforikliğin Ortak Belirlenmesi ve Çekirdek Referans Çözünürlüğü." Arşivlendi 2010-06-21 de Wayback Makinesi NAACL-HLT, (2007).
  10. ^ James Clarke ve Mirella Lapata, "Cümle Sıkıştırma için Küresel Çıkarım: Tamsayı Doğrusal Programlama Yaklaşımı." Yapay Zeka Araştırmaları Dergisi (JAIR), (2008).
  11. ^ Katja Filippova ve Michael Strube, "Bağımlılık Ağacı Tabanlı Cümle Sıkıştırma."[kalıcı ölü bağlantı ] INLG, (2008).
  12. ^ Katja Filippova ve Michael Strube, "Bağımlılık Grafiği Sıkıştırma yoluyla Cümle Füzyonu." EMNLP, (2008).
  13. ^ Dan Goldwasser ve Dan Roth, "Kısıtlı Optimizasyon Olarak Harf çevirisi." EMNLP, (2008).
  14. ^ Regina Barzilay ve Mirrela Lapata, "Doğal Dil Üretimi için Küme Bölümleme yoluyla Toplama." NAACL, (2006).
  15. ^ Dan Roth ve Wen-tau Yih, "Doğal Dil Görevlerinde Küresel Çıkarım için Doğrusal Programlama Formülasyonu." CoNLL, (2004).
  16. ^ Yejin Choi ve Eric Breck ve Claire Cardie, "Fikir Tanıma için Varlıkların ve İlişkilerin Müşterek Çıkarılması." EMNLP, (2006).
  17. ^ André F. T. Martins, Noah A. Smith ve Eric P. Xing, "Bağımlılık Ayrıştırma için Kısa Tamsayı Doğrusal Programlama Formülasyonları." ACL, (2009).