Resumen de Redes neuronales recurrentes para inferencia gramatical y traducción automática
Actualmente, las Redes Neuronales Artificiales constituyen un área de gran interés desde la perspectiva de la ingeniería, Uno de los atractivos de las redes neuronales artificiales, o simplemente Redes Neuronales (RNs), radica en su habilidad para resolver problemas en los que aparecen dependencias temporales, llevándonos esto último a las llamadas Redes Neuronales Recurrentes (RNRs). El objetivo principal de la tesis consiste en demostrar empíricamente la capacidad de estas RNRs para resolver tareas específicas dentro del campo de la Inferencia Gramatical (IG), así como para abordar problemas de Traducción Automática (TA) entre lenguajes y de un caso particular de ésta como es la Comprensión del Lenguaje (CL), siguiendo planteamientos adecuados.
Las arquitecturas conexionistas han demostrado ser capaces, tanto de abordar tareas de IG como de captar las regularidades estadísticas implícitas en los datos de entrada. Cabe pensar, por lo tanto, que las redes neuronales pudieran ser un medio adecuado para la inducción de Gramáticas Regulares Estocásticas (GRES), planteamiento que se demuestra empíricamente en este trabajo.
Por otro lado, en la tesis se propone un traductor semántico conexionista sencillo que aborda tareas de CL en dominios restringidos a partir de ejemplos, que resuelve la componente temporal asociada tanto a la frase de entrada como al significado de salida de la misma y que aprende, además, las características sintácticas y semánticas implícitas en la tarea de comprensión.
Finalmente, se plantea el diseño de un traductor conexionista similar para abordar directamente traducciones texto-a-texto entre dos lenguajes naturales sin necesidad de tener que pasar por un lenguaje semántico intermedio (interlingua), resolviendo además de manera transparente la posible no secuencialidad existente entre los lenguajes implicados en el proceso de traducción.
