La Diversité des Erreurs Importe : Une Méthode d'Ensemble Résistante aux Erreurs pour le Parsing de Dépendances Non Supervisé

Nous abordons le problème de l'analyse de dépendance non supervisée en construisant un ensemble de modèles existants diversifiés par l'agrégation a posteriori de leurs structures de dépendance générées. Nous constatons que ces ensembles souffrent souvent d'une faible robustesse face aux composantes faibles de l'ensemble, en raison de l'accumulation des erreurs. Pour résoudre ce problème, nous proposons une approche efficace de sélection d'ensemble qui prend en compte la diversité des erreurs et évite leur accumulation. Les résultats montrent que notre approche surpasse chaque modèle individuel ainsi que les techniques d'ensemble précédentes. De plus, nos expériences démontrent que la méthode de sélection d'ensemble proposée améliore considérablement les performances et la robustesse de notre ensemble, surpassant les stratégies précédemment proposées qui n'avaient pas pris en compte la diversité des erreurs.