Analyse syntaxique AMR par inférence itérative graphe-séquence

Nous proposons un nouveau modèle end-to-end qui traite l’analyse AMR comme une suite de décisions duals appliquées à la séquence d’entrée et au graphe construit progressivement. À chaque étape temporelle, notre modèle effectue plusieurs itérations d’attention, de raisonnement et de composition visant à répondre à deux questions cruciales : (1) quelle partie de la séquence d’entrée abstractionner ; et (2) où dans le graphe de sortie construire le nouveau concept. Nous montrons que les réponses à ces deux questions entretiennent une relation de causalité mutuelle. Nous avons conçu un modèle fondé sur une inférence itérative, qui permet d’obtenir des réponses améliorées dans les deux dimensions, conduisant à une précision d’analyse considérablement accrue. Nos résultats expérimentaux surpassent largement tous les scores précédemment rapportés sur le critère \textsc{Smatch}. De manière remarquable, sans recourir à aucun modèle pré-entraîné à grande échelle (par exemple BERT), notre modèle atteint déjà des performances supérieures à celles des états de l’art antérieurs utilisant BERT. En combinant BERT, nous parvenons à atteindre un score de 80,2 % sur LDC2017T10 (AMR 2.0) et de 75,4 % sur LDC2014T12 (AMR 1.0), surpassant ainsi les meilleurs résultats publiés à ce jour.