초록
우리는 AMR 구문 분석을 입력 시퀀스와 점진적으로 구성되는 그래프에 대한 연속적인 이중 결정 문제로 간주하는 새로운 엔드투엔드 모델을 제안한다. 각 시간 단계에서 모델은 두 가지 핵심 질문에 답하기 위해 다중 라운드의 주의(attention), 추론(reasoning), 그리고 구성(composition)을 수행한다. 즉, (1) 입력 시퀀스의 어떤 부분을 추상화할 것인가, 그리고 (2) 출력 그래프의 어디에 새로운 개념을 생성할 것인가이다. 우리는 이러한 두 질문에 대한 답변이 상호적으로 인과 관계를 가진다는 것을 보여준다. 이를 바탕으로 반복적 추론(iterative inference) 기반의 모델을 설계하여, 두 관점에서 모두 더 나은 답변을 도출함으로써 훨씬 향상된 구문 분석 정확도를 달성한다. 실험 결과는 기존에 보고된 모든 \textsc{Smatch} 점수를 크게 앞서며, 특히 대규모 사전 훈련된 언어 모델(BERT 등)을 사용하지 않아도 기존 최고 성능 모델(BERT 기반)을 이미 초월한다. BERT를 활용할 경우, LDC2017T10(AMR 2.0)에서 80.2%, LDC2014T12(AMR 1.0)에서 75.4%의 최신 기준 성능을 달성할 수 있다.