English(EN) Dynamic ordering in sequence generation in Transformers: experiments on low-resource Tagging scenarios

新型Transformer模型'TagInsert'挑战从左到右生成范式

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员开发了TagInsert，一种新颖的基于Transformer的模型，它偏离了序列标注任务标准的从左到右生成方法。通过移除解码器端的注意力掩码，TagInsert允许模型在推理过程中动态确定生成标签的最佳顺序。在各种语言和低资源环境下的词性标注和组合范畴语法超级标签任务上的实验表明，TagInsert在数据稀缺的环境中，其性能常常优于从左到右的编码器-解码器模型，并与BERT等仅编码器模型相当。该模型将困难预测推迟到后期阶段的能力有助于减轻自回归模型中常见的错误传播。 AI

影响引入了一种新颖的序列生成方法，有望提高在特定标注任务上的性能，尤其是在低资源环境下。

排序理由该集群包含一篇详细介绍新模型架构和实验结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新模型架构和实验结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Giacomo Bais, Tejaswini Deoskar · 2026-10-16 04:00

Transformer序列生成中的动态排序：低资源标注场景下的实验

arXiv:2610.21862v1 Announce Type: new Abstract: This paper introduces TagInsert, a Transformer-based model that challenges the common left-to-right (L2R) generation paradigm in Transformers, for sequence labelling tasks where dependencies may not naturally align with a L2R order.…

本文如何被排名

报道来源 [1]

Transformer序列生成中的动态排序：低资源标注场景下的实验

相关实体

相关话题