MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016931821
■00520240214100123
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379751050
■035    ▼a(MiAaPQ)AAI30424791
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHe,  Hangfeng.
■24510▼aIncidental  Supervision  for  Natural  Language  Understanding▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Pennsylvania.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(175  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  A.
■500    ▼aAdvisor:  Roth,  Dan.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAcquiring  human  annotations  for  natural  language  understanding  (NLU)  tasks  is  often  labor-intensive  and  demands  significant  domain-specific  expertise,  making  it  crucial  to  obtain  supervision  from  indirect  signals  to  improve  target  task  performance.  This  dissertation  presents  a  novel  approach  for  enhancing  NLU  by  harnessing  on  the  power  of  incidental  supervision  signals,  which  are  present  in  the  data  and  the  environment,  regardless  of  the  specific  tasks  being  considered.The  primary  aim  of  this  research  is  to  deepen  our  understanding  of  incidental  supervision  signals  and  to  develop  efficient  algorithms  for  their  acquisition,  selection,  and  usage  in  NLU  tasks.  This  problem  presents  numerous  challenges,  including  the  intricate  nature  of  natural  language  and  the  inherent  disparities  between  incidental  supervision  signals  and  target  tasks.  To  tackle  these  challenges,  this  dissertation  employs  a  multifaceted  approach.  First,  we  demonstrate  the  feasibility  of  utilizing  cost-effective  signals  to  enhance  various  target  tasks.  Specifically,  we  retrieve  signals  from  sentence-level  question-answer  pairs  to  help  NLU  tasks  via  two  types  of  sentence  encoding  approaches,  depending  on  whether  the  target  task  involves  single-  or  multi-sentence  input.Second,  we  introduce  a  unified  informativeness  measure  to  quantitatively  assess  the  effectiveness  of  diverse  incidental  supervision  signals  for  a  given  target  task.  This  approach  offers  a  promising  way  to  determine,  ahead  of  learning,  which  supervision  signals  would  be  beneficial.Finally,  we  present  a  suite  of  efficient  algorithms  for  exploiting  distinct  types  of  incidental  supervision  signals,  including  a  weighting  strategy  to  enhance  sample  efficiency  in  cross-task  learning  and  a  post-processing  technique  for  faithful  large  language  model  inference  with  external  knowledge.
■590    ▼aSchool  code:  0175.
■650  4▼aComputer  science.
■650  4▼aInformation  technology.
■650  4▼aInformation  science.
■653    ▼aNatural  language  understanding
■653    ▼aSupervision  signals
■653    ▼aHuman  annotations
■653    ▼aChallenges
■653    ▼aLearning
■653    ▼aTarget  task
■690    ▼a0984
■690    ▼a0489
■690    ▼a0723
■71020▼aUniversity  of  Pennsylvania▼bComputer  and  Information  Science.
■7730  ▼tDissertations  Abstracts  International▼g84-12A.
■773    ▼tDissertation  Abstract  International
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931821▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서