NLP 中的5个开放问题

爱被打了一巴掌 2024-04-18 19:53 1阅读 0赞

## **5.评估指标：** ##

这不是社区中明显的瓶颈问题，但是，社区中有许多**研究**人员想要**揭示**经常**被忽视的方面，例如盲目地遵循某些架构，数据集和评估指标。**

正如为更高层次的认知任务铺平道路，***了解为什么某些技术和架构在某些场景中运行良好，绝对有帮助。***

另一个问题是评估指标，**这些技术在人类语言提供的真正变异性方面的适用性和概括性**，以及如何提出更有趣的自然语言推理数据集**这一事实**。

## **4.终身学习：** ##

社区面临的另一个障碍是解决问题

*  终身适应下游任务的低级模型
 *  应用转学习
 *  无缝集成语言相关的模式，如视觉，文本，音频。
 *  针对低资源情况的有效跨域转移

“将模型转移到新条件的能力，包括在有限（或没有）注释资源下学习。能够学习真正强大的NLP模型，比我们目前可以支持的少量语言和领域更多“ - [Barbara Plank][]

## **3.面向目标的对话系统：** ##

最近，针对ACL中面向目标的对话系统的论文数量激增，EMNLP在ACL选集中很明显。

这导致了下一个开放性问题，即要弄清楚如何进行更 **长时间的目标/任务导向的人机对话，这需要真实世界的背景和知识库**。

**具有状态跟踪的**任务驱动**对话系统，****使用强化学习的**对话系统和其他一系列新技术是当前活跃研究的一部分。

## **2.低资源语言：** ##

解决最紧迫的问题，需要解决。

世界上大约有7,000种语言，但其中只有一小部分（20种语言）被认为是高资源语言。

这是一个方向，社区的努力必须通道化，所有低成果悬挂，探索和转移到其他语言的见解。

[Paper上的代码][Paper]几乎没有6篇论文。

由社区专家提供的一些指导：

*  为资源不足的语言收集数据和培训语言模型的方法。
 *  针对低资源情况的有效跨域转移

## **1.自然语言理解：** ##

这是最开放的问题，与社区需要解决的许多其他连接问题相关联，以实现这种更高级别的认知任务，这可能非常需要洞察力，来自其他ML领域的方法，如强化学习，领域适应，零拍摄学习等

下面是一些可以使用的开放指针。

*  Coreference resolution，Polysemy，Text / Document Summarization。
 *  争论/推理，讽刺和幽默。
 *  有效地代表大背景。
 *  基础语言学习，即共同学习世界模型以及如何用自然语言来引用它。

“要雄心勃勃。不要局限于阅读NLP论文。阅读大量的机器学习，深度学习，强化学习论文。” - [**Yoshua Bengio**][Yoshua Bengio]

## **主题表：** ##

1.  自然语言理解
    
    1.  歧义
    2.  同义
    3.  句法
    4.  相干性
    5.  同指
    6.  个性，意图和风格
    7.  文本摘要
    8.  幽默和模棱两可
    9.  一词多义
    10. 关键词提取
    11. 知识库人口（KBP）
2.  NLP用于低资源情景
    
    1.  跨语言学习
    2.  双语词典归纳
3.  关于大型或多个文件的推理
    
    1.  多任务学习
    2.  话语解析
    3.  与任务无关的架构改进
4.  数据集，问题和评估
    
    1.  NLP的与任务无关的数据增强
    2.  NLP的几次学习
    3.  转移学习NLP
    4.  半监督学习
    5.  帧语义解析

[Barbara Plank]: https://bplank.github.io/
[Paper]: https://paperswithcode.com/
[Yoshua Bengio]: https://mila.quebec/en/yoshua-bengio/