Ensembling graphischer Vorhersagen für AMR-Parsing

Bei vielen Aufgaben im Bereich des maschinellen Lernens werden Modelle darauf trainiert, strukturierte Daten wie Graphen vorherzusagen. Beispielsweise ist es in der natürlichen Sprachverarbeitung üblich, Texte in Abhängigkeitsbäume oder abstrakte Bedeutungsrepräsentations-(AMR-)Graphen zu zerlegen. Andererseits kombinieren Ensemble-Methoden Vorhersagen mehrerer Modelle, um ein neues, robusteres und genauereres Modell zu erzeugen. In der Literatur existieren zahlreiche Ensembling-Techniken für Klassifikations- oder Regressionsprobleme; das Ensembling von Graphenvorhersagen wurde jedoch bisher noch nicht ausreichend untersucht. In dieser Arbeit formalisieren wir dieses Problem als die Suche nach dem größten Graphen, der von einer Sammlung von Graphenvorhersagen am stärksten unterstützt wird. Da das Problem NP-schwer ist, schlagen wir einen effizienten Heuristik-Algorithmus vor, um die optimale Lösung anzunähern. Zur Validierung unseres Ansatzes führten wir Experimente im Bereich der AMR-Parsing-Aufgaben durch. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Ansatz die Stärken modernster AMR-Parser nutzen kann, um neue Vorhersagen zu generieren, die in fünf standardisierten Benchmark-Datensätzen genauer sind als die Vorhersagen jedes einzelnen Modells.