MACT: Model-Agnostic Cross-Lingual Training for Discourse Representation Structure Parsing

Discourse Representation Structure (DRS)是一种创新的语义表示方法，旨在捕捉跨语言任意长度文本的含义。语义表示解析对于通过逻辑形式实现自然语言理解至关重要。然而，DRS解析模型的性能仍然受到仅在单语言数据上训练的限制。为了解决这个问题，我们介绍了一种跨语言训练策略。所提出的方法不依赖于特定的模型，但效果非常显著。它利用跨语言训练数据，并充分利用预训练语言模型中编码的语言对齐。在标准基准测试中进行的实验表明，使用跨语言训练方法训练的模型在英语、德语、意大利语和荷兰语的DRS从句和图解析方面表现出显著的改进。将我们的最终模型与以前的作品进行比较，我们在标准基准测试中取得了最先进的结果。此外，详细的分析提供了对解析器性能的深入洞察，为未来的DRS解析研究提供了灵感。我们将在附录中不断更新基准测试的新结果。

本篇论文旨在解决DRS语义表示的跨语言训练问题，以提高DRS解析的性能。

本文提出了一种跨语言训练策略，利用预训练语言模型中编码的语言对齐，通过跨语言训练数据来训练DRS解析模型，从而提高其性能。

本文的方法是模型无关的，但高效。实验表明，使用跨语言训练方法训练的模型在英语、德语、意大利语和荷兰语的DRS子句和图解析方面表现出显著的改进，并在标准基准测试中取得了最新的最佳结果。此外，本文提供了详细的分析，为DRS解析的性能提供了深入的见解。

与本文相关的研究包括DRS解析和跨语言自然语言处理。相关论文包括：《Cross-lingual Transfer Learning for Multilingual Task-Oriented Dialogue》、《Cross-lingual Learning with Adversarial Language Networks》等。