Merging Weak and Active Supervision for Semantic Parsing论文笔记

AAAI 2020

论文地址 https://arxiv.org/pdf/1911.12986.pdf
源码地址 https://github.com/niansong1996/wassp （现在为空，待作者更新）

要点：整体弱监督 + 少量数据标注（主动学习active learning）

符号含义：
MR：meaning representation

Motivation

强监督：需要大量标注数据，标注困难
弱监督：搜索空间大，reward稀疏（且只有0和1两种reward），且存在 最终答案正确但是逻辑表示不正确 的问题

因此，为了弥合这一差距，文章研究了弱监督与主动学习之间的交集，这使learner可以主动选择示例并查询手动注释作为额外的监督，以改进在弱监督下训练的模型。文章研究了用于选择示例进行查询的不同的主动学习启发式方法，以及针对此类查询的各种形式的额外监督。

算法overview

名称：Weak and Active Supervision for Semantic Parsing (WASSP)

首先弱监督方法训练一个semantic parser直到收敛。然后选取一部分训练数据，主动寻求额外的标注（监督），来refine当前数据的MR候选列表。

那么，WASSP这个算法存在以下三个问题：

1. WASSP相比弱监督的semantic parser，有多少提升？
2. 如何挑选active learning的训练数据，来最大化提升模型准确率？
3. 对于每个挑选出来的utterance，WASSP可以用什么样的extra supervision来提升模型？

文章分为了以下几个部分介绍：弱监督semantic parsing、合并weak和active的semantic parsing、数据挑选的启发式方法、额外监督的形式，以及最后的实验与实验结果。

Weakly Supervised Semantic Parsing

supervised semantic