Kürzlich entwickelte neuronale semantische Rollenverzeichnis-Modelle auf Basis von BIO-Taggern zeigen sehr gute Leistungen, gehen aber davon aus, dass goldene Prädikate Teil der Eingabe sind und können spannungsbezogene Merkmale nicht berücksichtigen. Wir schlagen einen end-to-end Ansatz vor, mit dem alle Prädikate, Argument-Spannen und die Beziehungen zwischen ihnen gemeinsam vorhergesagt werden können. Das Modell trifft unabhängige Entscheidungen darüber, welche Beziehung, wenn überhaupt, zwischen jedem möglichen Wort-Spannen-Paar besteht, und lernt kontextualisierte Spannendarstellungen, die reichhaltige, geteilte Eingabemerkmale für jede Entscheidung bereitstellen. Experimente zeigen, dass dieser Ansatz ohne goldene Prädikate einen neuen Stand der Technik in der PropBank-SRL (Semantic Role Labeling) setzt.