Comonadic Morphophonology: A Compositional Framework for Context-Dependent Morphological Rules in Finnish

Resumo Técnico: Morfofonologia Comonádica

Enunciação do Problema
As abordagens atuais à morfofonologia finlandesa enfrentam uma dicotomia entre rigor formal e eficiência composicional. As cascatas tradicionais de Transdutores de Estado Finito (FST) (por exemplo, Voikko, Omorfi) codificam regras dependentes de contexto, como graduação consonantal e harmonia vocálica, como relações de cadeia para cadeia. Embora eficazes, a composição dessas regras leva a uma explosão multiplicativa de estados; o espaço de estados de um autômato combinado cresce como o produto de seus componentes, tornando a representação das regras complexa (por exemplo, o Omorfi requer 874 classes de continuação para codificar comportamentos que poderiam ser expressos de forma mais compacta). Por outro lado, os modelos neurais alcançam alta precisão, mas carecem de uma conta formal e interpretável das regras morfofonológicas subjacentes. Além disso, as estruturas existentes lutam para lidar com operações que alteram o comprimento (como a deleção de consoantes) dentro de uma estrutura estritamente composicional de teoria das categorias sem materialização intermediária ou perda de associatividade.

Metodologia
O artigo propõe uma estrutura onde as regras morfofonológicas são tratadas como setas coKleisli de uma comonada, em vez de FSTs. Esta abordagem modela as regras como funções de um contexto local focado para um único segmento de saída, análogo a regras locais em autômatos celulares.

1. A Comonada Zipper: A estrutura utiliza a estrutura de dados ListZipper para representar uma sequência com um foco distinguido e contexto esquerdo/direito. Uma regra é definida como uma função $f: W a \to b$, onde $W$ é a comonada Zipper. A operação extend eleva essa regra local a uma transformação global, aplicando-a a cada posição na cadeia enquanto preserva a visão de contexto para cada posição.
2. A Comonada Writer para Deleção: Um desafio central é lidar com regras que alteram o comprimento (por exemplo, a deleção de k em puku $\to$ puu). Uma abordagem ingênua usando caracteres nulos quebra a associatividade estrita coKleisli, pois a filtragem exige a materialização de sequências intermediárias. Os autores introduzem a comonada Writer ($DeletionSet \times Zipper$). Nesta construção:
   • As regras retornam um par $(D, c)$, onde $D$ é um conjunto de posições de deleção e $c$ é o caractere de saída.
   • As deleções acumulam-se como uma ação de monóide (união de conjuntos) durante a fase extend.
   • Um único passo materialize no final do pipeline aplica todas as deleções acumuladas.
   • Isso preserva a associatividade estrita coKleisli ($extend \ g \circ extend \ f = extend \ (g \circ extend \ f)$) sem re-materialização intermediária.
3. Composição de Pipeline: Processos morfofonológicos (Graduação Consonantal, Harmonia Vocálica, Cópia de Vogal de Sufixo Possessivo) são compostos sequencialmente usando o operador de composição coKleisli ($>=>$). O pipeline é definido como:
   $$pipe = grad >=> harmony >=> poss$$
   Esta estrutura garante que as regras sejam independentes, testáveis e explicitamente ordenadas.
4. Morfologia Bidirecional: As mesmas setas coKleisli usadas para análise (decodificação) são reutilizadas para geração (codificação) via um MorphGenerator, unificando a lógica para ambas as direções.
5. Abstração Multinível: A estrutura estende-se além de regras de nível de caractere para harmonia de nível de morfema e desambiguação de nível de frase (Constraint Grammar-lite). Ao alterar o tipo de elemento do Zipper (de char para ReadingSet), a mesma estrutura algébrica aplica-se a todos os níveis.

Contribuições Principais

• A Comonada Writer: O artigo apresenta a primeira aplicação de uma comonada Writer (especificamente $DeletionSet \times Zipper$) em morfologia computacional para lidar com regras que alteram o comprimento de forma composicional. Isso resolve o problema algébrico da deleção em pipelines coKleisli.
• Redução de Representação de Regras: A estrutura expressa os mesmos comportamentos morfofonológicos codificados pelas 874 classes de continuação do Omorfi usando apenas 13 setas coKleisli (11 padrões de graduação + harmonia + possessivo), alcançando uma redução de 67:1 no nível de representação de regras.
• Unificação Formal: Estabelece a primeira estrutura que trata regras morfofonológicas como objetos composicionais de primeira classe com leis de combinação formais, preenchendo a lacuna entre a teoria dos autômatos celulares (Capobianco e Uustalu, 2010) e o processamento de linguagem natural.
• Implementação (MCE): Uma biblioteca Rust (Morphological Computation Engine) que implementa esta estrutura, visando WebAssembly, com leis de comonada verificadas e propriedades de monóide.

Resultados
O sistema foi avaliado no conjunto de desenvolvimento UD Finnish-TDT (1.364 frases, ~25.000 tokens):

• Precisão: O sistema alcançou 83,92% de precisão UPOS usando apenas desambiguação baseada em regras (62 regras CG ativas). Quando aumentado com um etiquetador de sufixos externo leve, a precisão subiu para 94,66%, estreitando a lacuna para a base neural (TNPP) de 12,99 pontos percentuais para 2,25.
• Desempenho: O pipeline processa aproximadamente 84.973 tokens por segundo em uma CPU Apple M-series. O pipeline morfofonológico completo média 2,66 µs por palavra, demonstrando que a composição coKleisli introduz sobrecarga negligenciável em comparação com implementações monolíticas de FST.
• Corretude: Todos os 11 padrões de graduação consonantal foram formalizados corretamente. Sete padrões exibiram corretude completa de ciclo reverso bidirecional; os quatro casos de não ciclo reverso envolveram deleção, confirmando a deleção como a única fonte de irreversibilidade no modelo atual.
• Ergonomia para Desenvolvedores: Adicionar uma nova regra requer definir uma única seta coKleisli (~5 linhas de Rust), enquanto sistemas FST frequentemente exigem a modificação de centenas de entradas LEXICON para contabilizar combinações de interação.

Significado e Afirmações
O artigo afirma fornecer uma álgebra de composição para regras morfofonológicas que as cascatas FST lidam apenas através da multiplicação do espaço de estados. Ao utilizar a comonada Writer, a estrutura restaura a composicionalidade estrita coKleisli para regras que alteram o comprimento, um problema anteriormente não resolvido sem explosão multiplicativa de estados.

Os autores posicionam este trabalho não como um substituto para recursos lexicais (o sistema ainda depende de um FST derivado do Voikko para busca lexical), mas como uma camada modular e ortogonal para aplicação de regras. Eles argumentam que esta abordagem oferece modularidade superior, depurabilidade (testes por regra) e garantias formais em comparação com a interseção de FSTs. O artigo nota modestamente que, embora lide com fenômenos aglutinantes como graduação e harmonia, ainda não cobre morfologia templática (raiz e padrão) ou reduplicação, que exigem inserção ou cópia de segmentos além do escopo atual. A estrutura é apresentada como um motor morfológico prático que valida a utilidade de estruturas comonádicas em PLN.