要約
高次元特徴をニューラルグラフベースの依存構文解析に効率的に組み込む問題を調査する。中間の解析木から高次元特徴を明示的に抽出するのではなく、より強力な依存木ノード表現を構築することで、高次元情報を簡潔かつ効率的に捉える。グラフニューラルネットワーク（GNN）を用いて表現を学習し、GNNの更新関数および集約関数の新たな複数の構成について検討する。PTBデータセットにおける実験結果から、外部リソースを一切使用しないシステムの中で、本手法は最高水準のUAS（96.0％）およびLAS（94.3％）を達成した。