Description du projet
Assister les ordinateurs dans la compréhension du langage humain
La compréhension du langage naturel (NLU) constitue une branche de l’intelligence artificielle (IA) qui utilise les logiciels informatiques pour comprendre les saisies effectuées sous forme de phrases dans les formats textuels et vocaux. Prenez pour exemple Siri qui répond à une question concernant les conditions de circulation du matin, ou Alexa qui traite une question relative à la météo de votre ville. En d’autres termes, la NLU digère un texte humain, le traduit en langage informatique et génère un résultat en langage humain. Les applications de NLU ont des besoins d’informations uniques et nécessitent de vastes ensembles de données annotées afin de parvenir à des résultats probants. Le projet INTERACT financé par l’UE va développer de nouveaux algorithmes d’apprentissage interactif (ILA), motivés par des applications dans le domaine de la NLU. Il combinera l’apprentissage par représentation et l’apprentissage actif des modèles composites de transition latente (CLSM) dans la mesure où le langage naturel est riche, complexe et composite.
Objectif
INTERACT will develop new Interactive Learning Algorithms (ILA), motivated by applications in Natural Language Understanding (NLU). The main assumptions behind supervised approaches are unrealistic because most NLU applications have unique information needs, and large collections of annotated data are necessary to achieve good performance. INTERACT follows a collaborative machine learning paradigm that breaks the distinction between annotation and training. We focus on compositional latent-state models (CLSMs) because natural language is rich, complex and compositional. To reduce the amount of human feedback necessary for learning CLSMs we must eliminate annotation redundancy. We argue that to achieve this in the context of CLSMs we must combine: (1) An optimal human feedback strategy, with (2) inducing a latent structure of parts in the compositional domain. Annotation effort will be minimized because the method will only request representative feedback from each latent class. INTERACT marries representation learning (i.e. of parts) and active learning for CLSMs.
Our approach goes beyond classical active learning where the ILA asks labels for samples chosen from a pool of unlabeled data. We empower the ILA with the ability to ask for labels for any complete or partial structure in the domain, i.e. the ILA will be able to generate samples.
We work under the framework of spectral learning of weighted automata and grammars and use ideas from query learning. A key idea is reducing the problem of interactive learning of CLSMs to a form of interactive low-rank matrix completion. Our concrete goals are: (1) Develop ILAs for CLSMs based on spectral learning techniques; and (2) Investigate optimal strategies to leverage human feedback, taking into account what is optimal for the ILA and what is easy for the teacher.
We will experiment with NLU tasks of increasing complexity, from sequence and tree classification to parsing problems where the outputs are trees.
Champ scientifique
Mots‑clés
Programme(s)
Thème(s)
Régime de financement
ERC-STG - Starting GrantInstitution d’accueil
08034 Barcelona
Espagne