| 21 |
A gentle introduction to Girard's Transcendental Syntax for the linear logician
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-02977750 ; 2021 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 22 |
Stellar Resolution: Multiplicatives - for the linear logician, through examples
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-02977750 ; 2021 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 23 |
Concepts et sémantique des langages de programmation 1 : constructions fonctionnelles et impératives avec OCaml, Python, C et C++
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-03030484 ; ISTE Editions, 2021, 9781784057015 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 24 |
Language and semantics of expressions for Grafcet model synthesis in an MDE environment ; Langage et sémantique des expressions pour la synthèse de modèle Grafcet dans un environnement IDM
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-02558838 ; 2021 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 25 |
A gentle introduction to Girard's Transcendental Syntax for the linear logician
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-02977750 ; 2021 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 26 |
Stellar Resolution: Multiplicatives - for the linear logician, through examples
|
|
|
|
In: https://hal.archives-ouvertes.fr/hal-02977750 ; 2021 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 27 |
Communicating artificial neural networks develop efficient color-naming systems
|
|
|
|
In: ISSN: 0027-8424 ; EISSN: 1091-6490 ; Proceedings of the National Academy of Sciences of the United States of America ; https://hal.inria.fr/hal-03329084 ; Proceedings of the National Academy of Sciences of the United States of America , National Academy of Sciences, 2021, 118 (12), ⟨10.1073/pnas.2016569118⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 28 |
Weak supervision for learning discourse structure in multi-party dialogues ; Supervision distante pour l'apprentissage de structures discursives dans les conversations multi-locuteurs
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03622653 ; Artificial Intelligence [cs.AI]. Université Paul Sabatier - Toulouse III, 2021. English. ⟨NNT : 2021TOU30138⟩ (2021)
|
|
Abstract:
The main objective of this thesis is to improve the automatic capture of semantic information with the goal of modeling and understanding human communication. We have advanced the state of the art in discourse parsing, in particular in the retrieval of discourse structure from chat, in order to implement, at the industrial level, tools to help explore conversations. These include the production of automatic summaries, recommendations, dialogue acts detection, identification of decisions, planning and semantic relations between dialogue acts in order to understand dialogues. In multi-party conversations it is important to not only understand the meaning of a participant's utterance and to whom it is addressed, but also the semantic relations that tie it to other utterances in the conversation and give rise to different conversation threads. An answer must be recognized as an answer to a particular question; an argument, as an argument for or against a proposal under discussion; a disagreement, as the expression of a point of view contrasted with another idea already expressed. Unfortunately, capturing such information using traditional supervised machine learning methods from quality hand-annotated discourse data is costly and time-consuming, and we do not have nearly enough data to train these machine learning models, much less deep learning models. Another problem is that arguably, no amount of data will be sufficient for machine learning models to learn the semantic characteristics of discourse relations without some expert guidance; the data are simply too sparse. Long distance relations, in which an utterance is semantically connected not to the immediately preceding utterance, but to another utterance from further back in the conversation, are particularly difficult and rare, though often central to comprehension. It is therefore necessary to find a more efficient way to retrieve discourse structures from large corpora of multi-party conversations, such as meeting transcripts or chats. This is one goal this thesis achieves. In addition, we not only wanted to design a model that predicts discourse structure for multi-party conversation without requiring large amounts of hand-annotated data, but also to develop an approach that is transparent and explainable so that it can be modified and improved by experts. The method detailed in this thesis achieves this goal as well. ; L'objectif principal de cette thèse est d'améliorer l'inférence automatique pour la modélisation et la compréhension des communications humaines. En particulier, le but est de faciliter considérablement l'analyse du discours afin d'implémenter, au niveau industriel, des outils d'aide à l'exploration des conversations. Il s'agit notamment de la production de résumés automatiques, de recommandations, de la détection des actes de dialogue, de l'identification des décisions, de la planification et des relations sémantiques entre les actes de dialogue afin de comprendre les dialogues. Dans les conversations à plusieurs locuteurs, il est important de comprendre non seulement le sens de l'énoncé d'un locuteur et à qui il s'adresse, mais aussi les relations sémantiques qui le lient aux autres énoncés de la conversation et qui donnent lieu à différents fils de discussion. Une réponse doit être reconnue comme une réponse à une question particulière ; un argument, comme un argument pour ou contre une proposition en cours de discussion ; un désaccord, comme l'expression d'un point de vue contrasté par rapport à une autre idée déjà exprimée. Malheureusement, les données de discours annotées à la main et de qualités sont coûteuses et prennent du temps, et nous sommes loin d'en avoir assez pour entraîner des modèles d'apprentissage automatique traditionnels, et encore moins des modèles d'apprentissage profond. Il est donc nécessaire de trouver un moyen plus efficace d'annoter en structures discursives de grands corpus de conversations multi-locuteurs, tels que les transcriptions de réunions ou les chats. Un autre problème est qu'aucune quantité de données ne sera suffisante pour permettre aux modèles d'apprentissage automatique d'apprendre les caractéristiques sémantiques des relations discursives sans l'aide d'un expert ; les données sont tout simplement trop rares. Les relations de longue distance, dans lesquelles un énoncé est sémantiquement connecté non pas à l'énoncé qui le précède immédiatement, mais à un autre énoncé plus antérieur/tôt dans la conversation, sont particulièrement difficiles et rares, bien que souvent centrales pour la compréhension. Notre objectif dans cette thèse a donc été non seulement de concevoir un modèle qui prédit la structure du discours pour une conversation multipartite sans nécessiter de grandes quantités de données annotées manuellement, mais aussi de développer une approche qui soit transparente et explicable afin qu'elle puisse être modifiée et améliorée par des experts.
|
|
Keyword:
[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]; Attachements; Attachment; Computational linguistics; Data programming; Discourse relations; Discourse structure; Linguistique computationnelle; Programmation par les données; Relations discursives; Structure discursive; Supervision distante; Weak supervision
|
|
URL: https://tel.archives-ouvertes.fr/tel-03622653/document
https://tel.archives-ouvertes.fr/tel-03622653/file/2021TOU30138b.pdf
https://tel.archives-ouvertes.fr/tel-03622653
|
|
BASE
|
|
Hide details
|
|
|
| 29 |
Fast, Durable, and Safe Data Management Support for Persistent Memory
|
|
|
|
BASE
|
|
Show details
|
|
|
| 30 |
Improving Automation for Higher-Order Proof Steps
|
|
|
|
In: Lecture Notes ; FroCos 2021 - 13th International Symposium on Frontiers of Combining Systems ; https://hal.archives-ouvertes.fr/hal-03528009 ; FroCos 2021 - 13th International Symposium on Frontiers of Combining Systems, Sep 2021, Birmingham, United Kingdom. pp.139-153, ⟨10.1007/978-3-030-86205-3_8⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 31 |
Jolie and LEMMA: Model-Driven Engineering and Programming Languages Meet on Microservices
|
|
|
|
In: 23th International Conference on Coordination Languages and Models (COORDINATION) ; https://hal.inria.fr/hal-03347326 ; 23th International Conference on Coordination Languages and Models (COORDINATION), Jun 2021, Valletta, Malta. pp.276 - 284, ⟨10.1007/978-3-030-78142-2_17⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 32 |
Automatic Guide Generation for Stan via NumPyro
|
|
|
|
In: PROBPROG 2021 - Third International Conference on Probabilistic Programming ; https://hal.archives-ouvertes.fr/hal-03401708 ; PROBPROG 2021 - Third International Conference on Probabilistic Programming, Oct 2021, Virtual, United States (2021)
|
|
BASE
|
|
Show details
|
|
|
| 33 |
Bootstrap-Based Language Development: Turning an existing VM into a polyglot VM ; Développement de langages basé l’amorçage
|
|
|
|
In: https://tel.archives-ouvertes.fr/tel-03511998 ; Computer Science [cs]. Université de Lille; IMT Lille Douai, 2021. English (2021)
|
|
BASE
|
|
Show details
|
|
|
| 34 |
Categories with Families: Unityped, Simply Typed, and Dependently Typed
|
|
|
|
In: Joachim Lambek: The Interplay of Mathematics, Logic, and Linguistics ; https://hal.archives-ouvertes.fr/hal-03419296 ; Joachim Lambek: The Interplay of Mathematics, Logic, and Linguistics, 20, Springer International Publishing, pp.135-180, 2021, Outstanding Contributions to Logic, ⟨10.1007/978-3-030-66545-6_5⟩ (2021)
|
|
BASE
|
|
Show details
|
|
|
| 35 |
Threaded Code Generation with a Meta-Tracing JIT Compiler ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 37 |
Svar: A Tiny C++ Header Brings Unified Interface for Multiple programming Languages ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 38 |
Elastic Silicon Interconnects: Abstracting Communication in Accelerator Design ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 39 |
Pifthon: A Compile-Time Information Flow Analyzer For An Imperative Language ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 40 |
HIR: An MLIR-based Intermediate Representation for Hardware Accelerator Description ...
|
|
|
|
BASE
|
|
Show details
|
|
|
|
|
