要約
抽象意味表現（Abstract Meaning Representations; AMR）は、文の意味を有向非巡回グラフ（directed acyclic graph）として表現する広範囲にわたる意味形式である。多数のAMR解析器を学習するには、グラフを部分グラフに分割し、それぞれの部分グラフを文内の単語に一致させる必要があるが、通常は手動で設計されたルールに依拠して事前処理段階で実施される。これに対して、本研究では分割と対応付けの両方をモデル内の潜在変数として扱い、エンドツーエンドの学習プロセスの中で同時に推論する。構造化された潜在変数に対する周辺化（marginalizing）は計算的に不可能であるため、変分自己符号化器（variational autoencoding）フレームワークを採用する。エンドツーエンドの微分可能な最適化を実現するために、分割および対応付け問題に対する微分可能な緩和（differentiable relaxation）を導入した。実験の結果、グリーディな分割ヒューリスティクスを用いる場合と比較して、分割を学習によって推定することにより著しい性能向上が得られた。また、本手法の性能は、\citet{lyu-titov-2018-amr}が個々のAMR構造に対応するように手作業で設計した分割ルールに依存するモデルに近づくことを確認した。