Opis projektu
Pomaganie komputerom w zrozumieniu ludzkiego języka
Rozumienie języka naturalnego to dziedzina sztucznej inteligencji, która wykorzystuje oprogramowanie komputerowe do rozumienia informacji wprowadzanych w formie zdań w formacie tekstowym lub mowy. Przykładem może być to, jak Siri odpowiada na pytanie o poranne korki na ulicach lub Alexa na pytanie o pogodę w twoim mieście. Inaczej mówiąc, technologia rozumienia języka naturalnego pozwala na przetwarzanie ludzkiej mowy, przełożenie jej na język komputerowy i wygenerowanie odpowiedzi w ludzkim języku. Aplikacje wykorzystujące tę technologię mają specyficzne potrzeby w zakresie informacji i wymagają dużych zbiorów danych opatrzonych adnotacjami, aby móc działać skutecznie. W ramach finansowanego przez UE projektu INTERACT opracowane zostaną nowe algorytmy uczenia interaktywnego (ILA), ukierunkowane na aplikacje w dziedzinie rozumienia języka naturalnego. Połączy on uczenie oparte na reprezentacji i aktywne uczenie modeli CLSM (Compositional Latent-State Model) co pozwoli na uwzględnienie bogatego, złożonego i kompozycyjnego charakteru języka naturalnego.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
ERC-STG - Starting GrantInstytucja przyjmująca
08034 Barcelona
Hiszpania