Project information
Abstract: 

The focus of the network Learning Computational Grammars (LCG) is the investigation of ways to improve computational grammars by applying machine learning techniques to current best practice in Computational Grammar. LCG seeks improvement through the application of a range of machine learning techniques, including both symbolic and statistical techniques. The scientific goal is to provide a characterization of the algorithms capable of learning (important fragments of) language. This responds to a challenge of theoretical linguistics---how is language acquisition possible, and may have practical application in natural language processing (NLP). In this network (in which UIA cooperates with Groningen, Tuebingen, SRI Cambridge, University College Dublin, Suissetra Geneve en Xerox Research Centre Grenobles), UIA focusses on memory-based learning techniques.

Abstract Dutch: 

Het thematisch netwerk Leren van Computationele Grammatica's (LCG) onderzoekt verschillende manieren waarop zelflerende technieken kunnen worden toegepast bij het verbeteren van computationele grammatica's. LCG zal hiertoe een aantal zelflerende technieken uittesten, zowel symbolische als statistische. Het wetenschappelijke doel is het vinden van een omschrijving van het type leertechnieken dat in staat is taal te leren. Dit weerspiegelt een uitdaging in de theoretische taalkunde--hoe is taalverwerving mogelijk, en kan tot praktische toepassingen in de taaltechnologie leiden. In dit netwerk (waarin UIA samenwerkt met Groningen, Tuebingen, SRI Cambridge, University College Dublin, Suissetra Geneve en Xerox Research Centre Grenobles) neemt UIA de toepassing van geheugengebaseerde leertechnieken voor zijn rekening.

Project Leader(s): 
Walter Daelemans
External Collaborator(s): 

University of Groningen, The Netherlands (coordinator); University of Tuebingen, Germany; SRI Cambridge, UK University College Dublin, Ireland; ISSCO, University of Geneva, Switzerland; Xerox Grenoble, France

Sponsor(s): 

Esprit Long Term Research Thematic Network

Syndicate content