Unsupervised spectral learning of finite-state transducers
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/21077
Tipus de documentText en actes de congrés
Data publicació2012
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
Finite-State Transducers (FST) are a standard tool for modeling paired inputoutput
sequences and are used in numerous applications, ranging from computational
biology to natural language processing. Recently Balle et al. presented a spectral algorithm for learning FST from samples of aligned input-output sequences. In this paper we address the more realistic, yet challenging setting where the alignments are unknown to the learning algorithm. We frame FST learning as finding a low rank Hankel matrix satisfying constraints derived from observable statistics. Under this formulation, we provide identifiability results for FST distributions. Then, following previous work on rank minimization, we propose a regularized convex relaxation of this objective which is based on minimizing a nuclear norm penalty subject to linear constraints and can be solved efficiently.
CitacióBailly, R.; Carreras, X.; Quattoni, A.J. Unsupervised spectral learning of finite-state transducers. A: Neural Information Processing Systems Conference. "Advances in Neural Information Processing Systems 26". Lake Tahoe, Nevada: 2012, p. 800-808.
Col·leccions
- GPLN - Grup de Processament del Llenguatge Natural - Ponències/Comunicacions de congressos [192]
- Departament de Ciències de la Computació - Ponències/Comunicacions de congressos [1.273]
- LARCA - Laboratori d'Algorísmia Relacional, Complexitat i Aprenentatge - Ponències/Comunicacions de congressos [119]
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
466.pdf | article principal | 393,6Kb | Visualitza/Obre |