코어퍼런스 해석에서의 일반화에 관하여

공통참조 해결(코어퍼런스 해결)은 데이터셋 도메인과 독립적으로 정의되지만, 대부분의 공통참조 해결 모델은 미지의 도메인으로의 전이 성능이 낮다. 본 연구에서는 다양한 도메인을 대상으로 하는 8개의 공통참조 해결 데이터셋을 통합하여, 기존 모델의 즉시 활용 성능을 평가한다. 이후 세 가지 데이터셋을 혼합하여 학습을 수행한다. 비록 이들 데이터셋은 도메인, 주석 지침, 메타데이터 측면에서 차이를 보이지만, 주석 차이를 보완하기 위해 데이터 증강(data augmentation)을 활용하고, 데이터 양의 불균형을 해소하기 위해 샘플링 기법을 도입하여 이 이질적 데이터 혼합물 위에서 단일 모델을 공동 학습하는 방법을 제안한다. 실험 결과, 제로샷(zero-shot) 설정에서 단일 데이터셋으로만 학습된 모델은 전이 성능이 떨어지는 반면, 공동 학습을 통해 전반적인 성능이 향상되며, 공통참조 해결 모델의 일반화 능력이 개선됨을 확인하였다. 본 연구는 강건한 공통참조 해결을 위한 새로운 벤치마크를 제안하고, 여러 가지 새로운 최고 성능(state-of-the-art) 결과를 도출하였다.