작은 차이로 인해 예술을 흐리지 마라: 아спект 추출을 위한 포인터 네트워크를 통한 경계 재정의

현재의 특성 추출 방법은 경계 오류( boundary errors) 문제를 겪고 있다. 일반적으로 이러한 오류는 추출된 특성과 진정값 사이에 상대적으로 미세한 차이를 초래하지만, 성능 저하를 심각하게 유발한다. 본 논문에서는 경계를 재조정하기 위해 포인터 네트워크( pointer network)를 활용하는 새로운 방법을 제안한다. 또한 수반 메커니즘(recycling mechanism)을 도입하여 수동 개입 없이도 학습 데이터를 지속적으로 수집할 수 있도록 했다. 실험은 노트북( SE14)과 레스토랑( SE14-16)에 대한 벤치마크 데이터셋에서 수행되었으며, 실험 결과 제안하는 방법이 기준 모델에 비해 상당한 성능 향상을 보였고, 기존 최고 수준의 방법들보다도 우수한 성능을 나타냈다.