用于无线多输入多输出（MIMO）系统的通道解码，通道检测，信道评估和资源管理是可以成功应用机器学习（ML）的问题的所有问题。在本文中，我们研究了几种方法来解决一定的预编码方案估算谱效率（SE）值的问题，优选在最短的时间内。在平均平均百分比误差（MAPE）方面的最佳结果是通过梯度升高分类特征，而线性模型展示了更差的预测质量。神经网络同样地表现为渐变升压，但由于超参数调谐和频繁再培训，它们更具资源和耗时。我们研究了所提出的算法在四极针模拟器产生的广泛情景中的实际适用性。在几乎所有场景中，使用渐变升压和神经网络实现的MAPE小于10 \％。
translated by 谷歌翻译
This paper presents a solution to the GenChal 2022 shared task dedicated to feedback comment generation for writing learning. In terms of this task given a text with an error and a span of the error, a system generates an explanatory note that helps the writer (language learner) to improve their writing skills. Our solution is based on fine-tuning the T5 model on the initial dataset augmented according to syntactical dependencies of the words located within indicated error span. The solution of our team "nigula" obtained second place according to manual evaluation by the organizers.
translated by 谷歌翻译
文本样式转移技术在自然语言处理中越来越受欢迎，找到了各种应用，例如文本排毒，情感或形式转移。但是，大多数现有方法都经过在公共平台，音乐或娱乐上的在线通信等领域进行了测试，但它们都不适用于典型的面向任务生产系统的域，例如个人计划安排（例如，预订航班或在餐厅预订桌子）。我们通过研究该域中的形式转移来填补这一空白。我们指出，该域中的文本充满了指定的实体，这对于保持文本的原始意义非常重要。确实，例如，如果有人传达了航班的目的地城市，则不得更改。因此，我们专注于指定实体在形式文本样式转移方面的内容保存中的作用。我们收集一个新数据集，以评估文本样式传输中内容相似性度量。它取自以任务为导向的对话的语料库，其中包含许多与现实请求有关的重要实体，这些实体使该数据集在生产中使用之前，对于测试样式传输模型特别有用。此外，我们对预训练的形式传输模型进行了错误分析，并引入了一种简单的技术，以使用有关命名实体的信息来增强文本样式传输中使用的基线内容相似性度量的性能。
translated by 谷歌翻译
论证分析是一个计算语言学领域，该领域研究了从文本及其之间的关系中提取参数的方法以及文本的论证结构。本文是组织者关于在对话会议框架内涉及俄罗斯语言文本的第一个论证分析系统竞争的报告。在比赛期间，参与者得到了两项任务：立场检测和论证分类。准备了与Covid-19-19的大流行有关的三个主题（疫苗接种，隔离和戴口罩）的三个主题的语料库（有关社交媒体帖子的评论），并进行了注释，并用于培训和测试。在这两个任务中赢得第一名的系统都使用了BERT体系结构的NLI（自然语言推理）变体，自动翻译为英语以应用专业的BERT模型，在Twitter帖子上进行了讨论COVID-19，以及对COVID-19目标实体。该系统显示以下结果：对于立场检测任务，F1得分为0.6968，对于参数分类任务，F1得分为0.7404。我们希望准备好的数据集和基线将有助于进一步研究俄罗斯语言的论证挖掘。
translated by 谷歌翻译
我们提出了两种小型无监督方法，用于消除文本中的毒性。我们的第一个方法结合了最近的两个想法：（1）使用小型条件语言模型的生成过程的指导和（2）使用释义模型进行风格传输。我们使用良好的令人措辞的令人愉快的释放器，由风格培训的语言模型引导，以保持文本内容并消除毒性。我们的第二种方法使用BERT用他们的非攻击性同义词取代毒性单词。我们通过使BERT替换具有可变数量的单词的屏蔽令牌来使该方法更灵活。最后，我们介绍了毒性去除任务的风格转移模型的第一个大规模比较研究。我们将模型与许多用于样式传输的方法进行比较。使用无监督的样式传输指标的组合以可参考方式评估该模型。两种方法都建议产生新的SOTA结果。
translated by 谷歌翻译
在本文中，我们分析了与高斯协变量的线性回归模型，贝叶斯估计器的性能通过高斯凹面分布的平均值与高斯的先前，在样本数量的高尺寸下限协变量的维度大而成比例。尽管以前研究了贝叶斯估计器的高尺寸分析，但是对于使用正确的后的后续的贝叶斯 - 最佳线性回归，虽然是用于推理的正确后部的，但是当存在不匹配时，更少于较少。在这里，我们考虑一种模型，其中响应被高斯噪声损坏，并且已知被生成为协变量的线性组合，但是地面真实回归系数和噪声的分布是未知的。这种回归任务可以被重建为称为加德纳旋转玻璃的统计力学模型，这是我们利用的类比。使用休假方法，我们表征了回归系数的均方误差。我们还导出了后验的日志标准化常量。 Shcherbina和Tirozzi和Talagrand研究了类似的模型，但我们的论点更加简单。我们分析的有趣后果是，在二次损失案例中，贝叶斯估计器的性能独立于全球“温度”的超开次，并匹配脊估计器：采样和优化同样好。
translated by 谷歌翻译