[2022-08-15] 오늘의 자연어처리

RealityTalk: Real-Time Speech-Driven Augmented Presentation for AR Live Storytelling

 

We present RealityTalk, a system that augments real-time live presentations with speech-driven interactive virtual elements. Augmented presentations leverage embedded visuals and animation for engaging and expressive storytelling. However, existing tools for live presentations often lack interactivity and improvisation, while creating such effects in video editing tools require significant time and expertise. RealityTalk enables users to create live augmented presentations with real-time speech-driven interactions. The user can interactively prompt, move, and manipulate graphical elements through real-time speech and supporting modalities. Based on our analysis of 177 existing video-edited augmented presentations, we propose a novel set of interaction techniques and then incorporated them into RealityTalk. We evaluate our tool from a presenter's perspective to demonstrate the effectiveness of our system.

 

실시간 라이브 프레젠테이션을 보강하는 시스템인 RealityTalk를 제시한다. 음성 기반 대화형 가상 요소를 사용합니다. 증강된 프레젠테이션 매력적인 표현력을 위해 내장된 영상과 애니메이션을 활용합니다. 스토리텔링 그러나 라이브 프레젠테이션을 위한 기존 도구는 종종 부족하다. 비디오 편집에서 그러한 효과를 창조하는 동안 상호 작용과 즉흥성 툴에는 상당한 시간과 전문 지식이 필요합니다. RealityTalk를 통해 사용자는 실시간 음성 기반 상호 작용으로 실시간 증강 프레젠테이션을 만들 수 있습니다. 사용자는 대화식으로 그래픽 요소를 프롬프트, 이동 및 조작할 수 있습니다. 실시간 연설과 조연 양식을 통해서요 분석 결과를 바탕으로 177개의 기존 비디오 판독 증강 프레젠테이션, 우리는 새로운 세트의 상호작용 기술을 리얼리티 토크에 통합했습니다. 우리는 평가한다. 발표자의 관점에서 본 우리의 도구는 우리의 효과를 입증한다. 시스템. 

 

 

Assessing the Unitary RNN as an End-to-End Compositional Model of Syntax

 

We show that both an LSTM and a unitary-evolution recurrent neural network (URN) can achieve encouraging accuracy on two types of syntactic patterns: context-free long distance agreement, and mildly context-sensitive cross serial dependencies. This work extends recent experiments on deeply nested context-free long distance dependencies, with similar results. URNs differ from LSTMs in that they avoid non-linear activation functions, and they apply matrix multiplication to word embeddings encoded as unitary matrices. This permits them to retain all information in the processing of an input string over arbitrary distances. It also causes them to satisfy strict compositionality. URNs constitute a significant advance in the search for explainable models in deep learning applied to NLP.

 

LSTM과 단일 진화 반복 신경망 모두 URN은 두 가지 유형의 구문 패턴에서 고무적인 정확도를 달성할 수 있다. 문맥이 없는 장거리 계약, 그리고 약간 문맥에 민감한 교차 시리얼 종속성 이 연구는 심층 중첩에 대한 최근의 실험을 확장한다. 문맥이 없는 장거리 의존성, 유사한 결과. URN은 와 다릅니다. 비선형 활성화 함수를 피하고 행렬을 적용한다는 점에서 LSTM 단일 행렬로 인코딩된 단어 임베딩에 대한 곱셈. 이 정도면 된다 그것들은 입력 문자열의 처리에서 모든 정보를 보유한다. 임의의 거리 그것은 또한 그들이 엄격한 구성을 만족하도록 만든다. URN은 다음에서 설명할 수 있는 모델을 찾는 데 있어 상당한 진전을 이룬다. NLP에 적용된 딥 러닝 

 

 

Mining Legal Arguments in Court Decisions

 

Identifying, classifying, and analyzing arguments in legal discourse has been a prominent area of research since the inception of the argument mining field. However, there has been a major discrepancy between the way natural language processing (NLP) researchers model and annotate arguments in court decisions and the way legal experts understand and analyze legal argumentation. While computational approaches typically simplify arguments into generic premises and claims, arguments in legal research usually exhibit a rich typology that is important for gaining insights into the particular case and applications of law in general. We address this problem and make several substantial contributions to move the field forward. First, we design a new annotation scheme for legal arguments in proceedings of the European Court of Human Rights (ECHR) that is deeply rooted in the theory and practice of legal argumentation research. Second, we compile and annotate a large corpus of 373 court decisions (2.3M tokens and 15k annotated argument spans). Finally, we train an argument mining model that outperforms state-of-the-art models in the legal NLP domain and provide a thorough expert-based evaluation. All datasets and source codes are available under open lincenses at this https URL.

 

법적 담론에서 주장을 식별하고, 분류하고, 분석하는 것은 다음과 같다. 논쟁 마이닝 분야가 시작된 이래로 중요한 연구 분야 그러나, 자연어에는 큰 차이가 있다. 처리(NLP) 연구자들은 법원 판결에서 주장을 모델링하고 주석을 달았다. 그리고 법률 전문가들이 법률 논쟁을 이해하고 분석하는 방식. 하는 동안에 계산 접근법들은 일반적으로 일반적인 전제들로 논거를 단순화한다. 법률연구에서 주장들은 보통 풍부한 유형론을 보여준다. 특정 사례와 법의 적용에 대한 통찰력을 얻는 데 중요하다. 대체로 우리는 이 문제를 해결하고 몇 가지 실질적인 기여를 한다. 경기장을 전진시키다 첫째, 우리는 합법성을 위한 새로운 주석 체계를 설계한다. 유럽인권재판소(ECHR)의 절차에서 다음과 같은 주장을 한다. 법률 논쟁 연구의 이론과 실천에 깊이 뿌리를 두고 있다. 둘째, 우리는 373개의 법원 판결(2.3)의 대규모 말뭉치를 컴파일하고 주석을 달았다.m 토큰 및 15k의 주석이 달린 인수 범위). 마지막으로, 우리는 논쟁 마이닝을 훈련한다. 법적 NLP 영역에서 최첨단 모델을 능가하는 모델 전문가에 의한 철저한 평가를 제공한다. 모든 데이터셋 및 소스 코드는 ...에서 오픈 라이선스 하에 이용할 수 있는. 이 https URL.