大量选择,大量任务(MaChAmp)
摘要
近年来,迁移学习,尤其是将多任务学习与预训练的语境嵌入和微调相结合的方法,极大地推动了自然语言处理领域的发展。 在本文中,我们介绍了MaChAmp,这是一个用于在多任务设置中轻松微调上下文化嵌入的工具包。 MaChAmp的优点是其灵活的配置选项,以及在统一的工具包中支持各种自然语言处理任务,从文本分类和序列标记到依赖解析、屏蔽语言建模和文本生成。
贡献者
致谢
使用MaChAmp的论文
版本0.1
作为序列标记的生物医学事件提取 (EMNLP 2020) 即使在BERT时代,字符级表示也能改进基于DRS的语义分析 (EMNLP 2020) DaN+:丹麦嵌套命名实体与词汇规范化 (科林2020)
版本0.2
Frisian-Datch口语、代码交换数据的注释和解析挑战 (适配器NLP 2021) 代码交换数据的词汇规范化及其对POS标记的影响 (平均2021年) 从蒙蔽语言建模到翻译:非英语辅助任务提高零距离口语理解 (NAACL 2021) 工作公告中与私人相关实体的识别 (大力达2021号) 英语网络文本的跨语言跨域嵌套命名实体评价 (ACL 2021调查结果) 体裁对跨语言依赖性分析的弱监督 (EMNLP 2021)
引用
@进行中{van-der-goot-etal-2021-块状, title=“大量选择,大量任务({M}a{C}h{a}mp):{NLP}中的多任务学习工具包”, author={van der Goot、Rob和 {\“U}st{\”U}n、Ahmet和 兰波尼、艾伦和 沙拉夫、易卜拉欣和 芭芭拉·普朗克, booktitle=“计算语言学协会欧洲分会第十六届会议记录:系统演示”, 月=四月, 年=“2021”, address=“在线”, publisher=“计算语言学协会”, url=“https://www.aclweb.org/antology/2021.eacl-demos.22”, 页码=“176-197”, }