We introduce a globally normalized

We introduce a globally normalized transition-based neural network model that achieves state-of-the-art part-of-speech tagging, dependency parsing and sentence compression results. Our model is a simple feed-forward neural network that operates on a task-specific transition system, yet achieves comparable or better accuracies than recurrent models. We discuss the importance of global as opposed to local normalization: a key insight is that the label bias problem implies that globally normalized models can be strictly more expressive than locally normalized models.

ผลลัพธ์ (ไทย) 1:

เราแนะนำแบบจำลองมาตรฐานทั่วโลกตามการเปลี่ยนแปลงโครงข่ายประสาทที่รัฐของศิลปะเป็นส่วนหนึ่งของคำพูดอ้างอิงประโยคและแยกวิเคราะห์ผลการบีบอัด การแท็ก รูปแบบของเราเป็นเครือข่ายประสาทฟีดไปง่ายที่ทำงานบนระบบงานเฉพาะช่วงการเปลี่ยนภาพ ยังให้แม่นเทียบเท่า หรือดีกว่ารุ่นกำเริบ เรากล่าวถึงความสำคัญของโลกเมื่อเทียบกับท้องถิ่นฟื้นฟู: มีความเข้าใจที่สำคัญคือ ว่า ปัญหา bias ฉลากหมายความว่า แบบจำลองมาตรฐานทั่วโลกสามารถแสดงออกอย่างเคร่งครัดมากขึ้นกว่ารุ่นมาตรฐานภายใน

ผลลัพธ์ (ไทย) 2:

เราแนะนำรูปแบบเครือข่ายปกติท​​ั่วโลกการเปลี่ยนแปลงตามประสาทที่ประสบความสำเร็จส่วนหนึ่งของการพูดการติดแท็กแยกพึ่งพาและประโยคผลการบีบอัดรัฐของศิลปะ แบบจำลองของเราคือฟีดไปข้างหน้าเครือข่ายประสาทง่ายที่ดำเนินการเกี่ยวกับงานเฉพาะระบบการเปลี่ยนแปลงยังประสบความสำเร็จในความถูกต้องเทียบเคียงหรือดีกว่ารุ่นกำเริบ เราจะหารือถึงความสำคัญของโลกเมื่อเทียบกับการฟื้นฟูท้องถิ่น: ข้อมูลเชิงลึกที่สำคัญคือว่าปัญหาป้ายอคติหมายความว่าทั่วโลกรุ่นปกติสามารถอย่างเคร่งครัดแสดงออกมากขึ้นกว่ารุ่นปกติในประเทศ