Fehlerdiversität zählt: Eine fehlerresistente Ensemble-Methode für unüberwachtes Dependenzparsing

Wir behandeln das unüberwachte Abhängigkeitsparsing, indem wir ein Ensemble verschiedener bestehender Modelle durch nachträgliche Aggregation ihrer Ausgabe-Abhängigkeitsstrukturen aufbauen. Wir beobachten, dass diese Ensembles oft an geringer Robustheit gegenüber schwachen Ensemble-Komponenten leiden, aufgrund der Fehlerakkumulation. Um dieses Problem anzugehen, schlagen wir einen effizienten Ansatz zur Ensembelauswahl vor, der die Fehlervielfalt berücksichtigt und die Fehlerakkumulation vermeidet. Die Ergebnisse zeigen, dass unser Ansatz jedes einzelne Modell sowie frühere Ensemble-Techniken übertrifft. Zudem demonstrieren unsere Experimente, dass die vorgeschlagene Ensembelauswahlmethode die Leistungsfähigkeit und Robustheit unseres Ensembles erheblich verbessert und früher vorgeschlagene Strategien übertreffen, die die Fehlervielfalt nicht berücksichtigt haben.