The Art of Reproducible Machine Learning: A Survey of Methodology in Word Vector Experiments

• Autoři: NOVOTNÝ Vít
• Rok publikování: 2020
• Druh: Článek ve sborníku
• Konference: Proceedings of the Fourteenth Workshop on Recent Advances in Slavonic Natural Language Processing, RASLAN 2020
• Fakulta / Pracoviště MU: Fakulta informatiky

www

• Domovská stránka workshopu
• PDF

• Klíčová slova: Machine learning; word vectors; word2vec; fastText; word analogy; reproducibility

Popis

Since the seminal work of Mikolov et al. (2013), word vectors of log-bilinear SVMs have found their way into many NLP applications as an unsupervised measure of word relatedness.

Due to the rapid pace of research and the publish-or-perish mantra of academic publishing, word vector experiments contain undisclosed parameters, which make them difficult to reproduce.

In our work, we introduce the experiments and their parameters, compare the published experimental results with our own, and suggest default parameter settings and ways to make previous and future experiments easier to reproduce.

We show that the lack of variable control can cause up to 24% difference in accuracy on the word analogy tasks.

Související projekty

• Aplikovaný výzkum: softwarové architektury kritických infrastruktur, bezpečnost počítačových systémů, zpracování přirozeného jazyka a jazykové inženýrství, vizualizaci velkých dat a rozšířená realita.
• Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity 20