@inproceedings{nicoleta-popa-etal-2021-contribution,
title = "Contribution d{'}informations syntaxiques aux capacit{\'e}s de g{\'e}n{\'e}ralisation compositionelle des mod{\`e}les seq2seq convolutifs (Assessing the Contribution of Syntactic Information for Compositional Generalization of seq2seq Convolutional Networks)",
author = "Popa, Diana Nicoleta and
Havard, William N. and
Coavoux, Maximin and
Gaussier, Eric and
Besacier, Laurent",
booktitle = "Actes de la 28e Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conf{\'e}rence principale",
month = "6",
year = "2021",
address = "Lille, France",
publisher = "ATALA",
url = "https://aclanthology.org/2021.jeptalnrecital-taln.12",
pages = "134--141",
abstract = "Les mod{\`e}les neuronaux de type seq2seq manifestent d{'}{\'e}tonnantes capacit{\'e}s de pr{\'e}diction quand ils sont entra{\^\i}n{\'e}s sur des donn{\'e}es de taille suffisante. Cependant, ils {\'e}chouent {\`a} g{\'e}n{\'e}raliser de mani{\`e}re satisfaisante quand la t{\^a}che implique d{'}apprendre et de r{\'e}utiliser des r{\`e}gles syst{\'e}matiques de composition et non d{'}apprendre simplement par imitation des exemples d{'}entra{\^\i}nement. Le jeu de donn{\'e}es SCAN, constitu{\'e} d{'}un ensemble de commandes en langage naturel associ{\'e}es {\`a} des s{\'e}quences d{'}action, a {\'e}t{\'e} sp{\'e}cifiquement con{\c{c}}u pour {\'e}valuer les capacit{\'e}s des r{\'e}seaux de neurones {\`a} apprendre ce type de g{\'e}n{\'e}ralisation compositionnelle. Dans cet article, nous nous proposons d{'}{\'e}tudier la contribution d{'}informations syntaxiques sur les capacit{\'e}s de g{\'e}n{\'e}ralisation compositionnelle des r{\'e}seaux de neurones seq2seq convolutifs.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="nicoleta-popa-etal-2021-contribution">
<titleInfo>
<title>Contribution d’informations syntaxiques aux capacités de généralisation compositionelle des modèles seq2seq convolutifs (Assessing the Contribution of Syntactic Information for Compositional Generalization of seq2seq Convolutional Networks)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Diana</namePart>
<namePart type="given">Nicoleta</namePart>
<namePart type="family">Popa</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">William</namePart>
<namePart type="given">N</namePart>
<namePart type="family">Havard</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Maximin</namePart>
<namePart type="family">Coavoux</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Eric</namePart>
<namePart type="family">Gaussier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Laurent</namePart>
<namePart type="family">Besacier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2021-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 28e Conférence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conférence principale</title>
</titleInfo>
<originInfo>
<publisher>ATALA</publisher>
<place>
<placeTerm type="text">Lille, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Les modèles neuronaux de type seq2seq manifestent d’étonnantes capacités de prédiction quand ils sont entraînés sur des données de taille suffisante. Cependant, ils échouent à généraliser de manière satisfaisante quand la tâche implique d’apprendre et de réutiliser des règles systématiques de composition et non d’apprendre simplement par imitation des exemples d’entraînement. Le jeu de données SCAN, constitué d’un ensemble de commandes en langage naturel associées à des séquences d’action, a été spécifiquement conçu pour évaluer les capacités des réseaux de neurones à apprendre ce type de généralisation compositionnelle. Dans cet article, nous nous proposons d’étudier la contribution d’informations syntaxiques sur les capacités de généralisation compositionnelle des réseaux de neurones seq2seq convolutifs.</abstract>
<identifier type="citekey">nicoleta-popa-etal-2021-contribution</identifier>
<location>
<url>https://aclanthology.org/2021.jeptalnrecital-taln.12</url>
</location>
<part>
<date>2021-6</date>
<extent unit="page">
<start>134</start>
<end>141</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Contribution d’informations syntaxiques aux capacités de généralisation compositionelle des modèles seq2seq convolutifs (Assessing the Contribution of Syntactic Information for Compositional Generalization of seq2seq Convolutional Networks)
%A Popa, Diana Nicoleta
%A Havard, William N.
%A Coavoux, Maximin
%A Gaussier, Eric
%A Besacier, Laurent
%S Actes de la 28e Conférence sur le Traitement Automatique des Langues Naturelles. Volume 1 : conférence principale
%D 2021
%8 June
%I ATALA
%C Lille, France
%G French
%F nicoleta-popa-etal-2021-contribution
%X Les modèles neuronaux de type seq2seq manifestent d’étonnantes capacités de prédiction quand ils sont entraînés sur des données de taille suffisante. Cependant, ils échouent à généraliser de manière satisfaisante quand la tâche implique d’apprendre et de réutiliser des règles systématiques de composition et non d’apprendre simplement par imitation des exemples d’entraînement. Le jeu de données SCAN, constitué d’un ensemble de commandes en langage naturel associées à des séquences d’action, a été spécifiquement conçu pour évaluer les capacités des réseaux de neurones à apprendre ce type de généralisation compositionnelle. Dans cet article, nous nous proposons d’étudier la contribution d’informations syntaxiques sur les capacités de généralisation compositionnelle des réseaux de neurones seq2seq convolutifs.
%U https://aclanthology.org/2021.jeptalnrecital-taln.12
%P 134-141
Markdown (Informal)
[Contribution d’informations syntaxiques aux capacités de généralisation compositionelle des modèles seq2seq convolutifs (Assessing the Contribution of Syntactic Information for Compositional Generalization of seq2seq Convolutional Networks)](https://aclanthology.org/2021.jeptalnrecital-taln.12) (Popa et al., JEP/TALN/RECITAL 2021)
ACL