Séance de cours
Résolution de référence
Description
Cette séance de cours couvre la résolution de coréférence, une tâche cruciale dans le traitement du langage naturel. Il explore divers modèles de coréférence, y compris la classification des paires de mention, le classement des mentions et le regroupement des mentions. L'instructeur discute des défis et des progrès dans la résolution de la coréférence, en mettant l'accent sur l'impact des modèles neuronaux. La séance de cours se penche également sur les méthodes d'évaluation et l'état de la technique donne lieu à une résolution de coréférence.
Enseignant
ipsum sunt
Elit id exercitation proident ex quis. Officia officia anim laboris eiusmod adipisicing proident ullamco incididunt. Sint esse eiusmod commodo cupidatat sint consequat nulla ut sit. Qui magna sit consectetur labore elit excepteur eiusmod. Cupidatat aliqua duis dolore dolore occaecat laboris incididunt. Cupidatat laborum dolore nulla et dolore mollit esse. Aliqua aliqua enim consectetur labore id non.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Séances de cours associées (59)
Résolution de référence
Couvre la résolution de coréférence, les modèles, les applications, les défis et les avancées dans le traitement du langage naturel.
Modèles Vision-Langue-Action : Formation et applications
Se penche sur la formation et les applications des modèles Vision-Language-Action, en mettant l'accent sur le rôle des grands modèles linguistiques dans le contrôle robotique et le transfert des connaissances web. Les résultats des expériences et les orientations futures de la recherche sont mis en évidence.
Réseaux neuronaux pour la PNL
Couvre les approches modernes du réseau neuronal en matière de PNL, en mettant l'accent sur l'intégration de mots, les réseaux neuronaux pour les tâches de PNL et les futures techniques d'apprentissage par transfert.
Deep Learning pour répondre aux questions
Explore l'apprentissage profond pour répondre aux questions, analyser les réseaux neuronaux et modéliser la robustesse au bruit.
Deep Learning pour le NLP
Introduit des concepts d'apprentissage profond pour les NLP, couvrant l'intégration de mots, les RNN et les Transformateurs, mettant l'accent sur l'auto-attention et l'attention multi-têtes.