@inproceedings{kang-etal-2024-meta,
title = "M{\'e}ta-apprentissage pour l{'}analyse {AMR} translingue",
author = "Kang, Jeongwoo and
Coavoux, Maximin and
Lopez, C{\'e}dric and
Schwab, Didier",
editor = "Balaguer, Mathieu and
Bendahman, Nihed and
Ho-dac, Lydia-Mai and
Mauclair, Julie and
G Moreno, Jose and
Pinquier, Julien",
booktitle = "Actes de la 31{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position",
month = "7",
year = "2024",
address = "Toulouse, France",
publisher = "ATALA and AFPC",
url = "https://aclanthology.org/2024.jeptalnrecital-taln.10",
pages = "144--156",
abstract = "L{'}analyse AMR multilingue consiste {\`a} pr{\'e}dire des analyses s{\'e}mantiques AMR dans une langue cible lorsque les donn{\'e}es d{'}entra{\^\i}nement ne sont disponibles que dans une langue source. Cette t{\^a}che n{'}a {\'e}t{\'e} {\'e}tudi{\'e}e que pour un petit nombre de langues en raison du manque de donn{\'e}es multilingues. En s{'}inspirant de Langedijk et al. (2022), qui appliquent le m{\'e}ta-apprentissage {\`a} l{'}analyse syntaxique en d{\'e}pendances translingue, nous {\'e}tudions le m{\'e}ta-apprentissage pour l{'}analyse AMR translingue. Nous {\'e}valuons nos mod{\`e}les dans des sc{\'e}narios zero-shot et few-shot en croate, en farsi, en cor{\'e}en, en chinois et en fran{\c{c}}ais. En particulier, nous d{\'e}veloppons dans le cadre de cet article des donn{\'e}es d{'}{\'e}valuation en cor{\'e}en et en croate, {\`a} partir du corpus AMR anglais Le Petit Prince. Nous {\'e}tudions empiriquement cette approche en la comparant {\`a} une m{\'e}thode classique d{'}apprentissage conjoint.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="kang-etal-2024-meta">
<titleInfo>
<title>Méta-apprentissage pour l’analyse AMR translingue</title>
</titleInfo>
<name type="personal">
<namePart type="given">Jeongwoo</namePart>
<namePart type="family">Kang</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Maximin</namePart>
<namePart type="family">Coavoux</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Cédric</namePart>
<namePart type="family">Lopez</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Didier</namePart>
<namePart type="family">Schwab</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2024-07</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position</title>
</titleInfo>
<name type="personal">
<namePart type="given">Mathieu</namePart>
<namePart type="family">Balaguer</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Nihed</namePart>
<namePart type="family">Bendahman</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Lydia-Mai</namePart>
<namePart type="family">Ho-dac</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julie</namePart>
<namePart type="family">Mauclair</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jose</namePart>
<namePart type="family">G Moreno</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julien</namePart>
<namePart type="family">Pinquier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA and AFPC</publisher>
<place>
<placeTerm type="text">Toulouse, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>L’analyse AMR multilingue consiste à prédire des analyses sémantiques AMR dans une langue cible lorsque les données d’entraînement ne sont disponibles que dans une langue source. Cette tâche n’a été étudiée que pour un petit nombre de langues en raison du manque de données multilingues. En s’inspirant de Langedijk et al. (2022), qui appliquent le méta-apprentissage à l’analyse syntaxique en dépendances translingue, nous étudions le méta-apprentissage pour l’analyse AMR translingue. Nous évaluons nos modèles dans des scénarios zero-shot et few-shot en croate, en farsi, en coréen, en chinois et en français. En particulier, nous développons dans le cadre de cet article des données d’évaluation en coréen et en croate, à partir du corpus AMR anglais Le Petit Prince. Nous étudions empiriquement cette approche en la comparant à une méthode classique d’apprentissage conjoint.</abstract>
<identifier type="citekey">kang-etal-2024-meta</identifier>
<location>
<url>https://aclanthology.org/2024.jeptalnrecital-taln.10</url>
</location>
<part>
<date>2024-7</date>
<extent unit="page">
<start>144</start>
<end>156</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Méta-apprentissage pour l’analyse AMR translingue
%A Kang, Jeongwoo
%A Coavoux, Maximin
%A Lopez, Cédric
%A Schwab, Didier
%Y Balaguer, Mathieu
%Y Bendahman, Nihed
%Y Ho-dac, Lydia-Mai
%Y Mauclair, Julie
%Y G Moreno, Jose
%Y Pinquier, Julien
%S Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position
%D 2024
%8 July
%I ATALA and AFPC
%C Toulouse, France
%G French
%F kang-etal-2024-meta
%X L’analyse AMR multilingue consiste à prédire des analyses sémantiques AMR dans une langue cible lorsque les données d’entraînement ne sont disponibles que dans une langue source. Cette tâche n’a été étudiée que pour un petit nombre de langues en raison du manque de données multilingues. En s’inspirant de Langedijk et al. (2022), qui appliquent le méta-apprentissage à l’analyse syntaxique en dépendances translingue, nous étudions le méta-apprentissage pour l’analyse AMR translingue. Nous évaluons nos modèles dans des scénarios zero-shot et few-shot en croate, en farsi, en coréen, en chinois et en français. En particulier, nous développons dans le cadre de cet article des données d’évaluation en coréen et en croate, à partir du corpus AMR anglais Le Petit Prince. Nous étudions empiriquement cette approche en la comparant à une méthode classique d’apprentissage conjoint.
%U https://aclanthology.org/2024.jeptalnrecital-taln.10
%P 144-156
Markdown (Informal)
[Méta-apprentissage pour l’analyse AMR translingue](https://aclanthology.org/2024.jeptalnrecital-taln.10) (Kang et al., JEP/TALN/RECITAL 2024)
ACL
- Jeongwoo Kang, Maximin Coavoux, Cédric Lopez, and Didier Schwab. 2024. Méta-apprentissage pour l’analyse AMR translingue. In Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position, pages 144–156, Toulouse, France. ATALA and AFPC.