초록
인간의 언어 이해를 부분 순서 집합(Partially Ordered Set, Poset)으로 구성된 출력을 가지는 구조적 예측 문제로 공식화한다. 현재의 인코더-디코더 아키텍처는 의미론적 구조인 포셋 구조를 적절히 고려하지 못하여, 복합적 일반화 능력이 떨어지는 문제가 있다. 본 논문에서는 언어의 복합적 일반화를 위한 새로운 계층적 포셋 디코딩 패러다임을 제안한다. 직관적으로 살펴보면: (1) 제안된 패러다임은 의미론적 부분 순열 불변성(Partial Permutation Invariance)을 강제함으로써, 편향된 순서 정보에 과적합되는 것을 방지한다; (2) 계층적 구조는 포셋의 고수준 구조를 효과적으로 포착할 수 있도록 한다. 제안한 디코더는 복합적 일반화 능력을 측정하기 위해 특별히 설계된 대규모이고 현실적인 자연어 질의응답 데이터셋인 Compositional Freebase Questions(CFQ)에서 평가되었으며, 실험 결과 기존 디코더들보다 우수한 성능을 보였다.