論文の概要: Zero-Resource Cross-Domain Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2002.05923v2
• Date: Tue, 19 May 2020 11:56:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 03:55:43.805122
• Title: Zero-Resource Cross-Domain Named Entity Recognition
• Title（参考訳）: Zero-Resource Cross-Domain Named Entity Recognition
• Authors: Zihan Liu, Genta Indra Winata, Pascale Fung
• Abstract要約: 既存のドメイン名付きエンティティ認識モデルは、多くのラベルなしコーパスや、ターゲットドメイン内のラベル付きNERトレーニングデータに依存している。 外部リソースを一切使用しないドメイン間NERモデルを提案する。
• 参考スコア（独自算出の注目度）: 68.83177074227598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing models for cross-domain named entity recognition (NER) rely on numerous unlabeled corpus or labeled NER training data in target domains. However, collecting data for low-resource target domains is not only expensive but also time-consuming. Hence, we propose a cross-domain NER model that does not use any external resources. We first introduce a Multi-Task Learning (MTL) by adding a new objective function to detect whether tokens are named entities or not. We then introduce a framework called Mixture of Entity Experts (MoEE) to improve the robustness for zero-resource domain adaptation. Finally, experimental results show that our model outperforms strong unsupervised cross-domain sequence labeling models, and the performance of our model is close to that of the state-of-the-art model which leverages extensive resources.
• Abstract（参考訳）: 既存のドメイン名付きエンティティ認識(NER)モデルは、多くのラベルなしコーパスや、ターゲットドメイン内のラベル付きNERトレーニングデータに依存している。 しかし、低リソースターゲットドメインのデータ収集はコストだけでなく、時間もかかる。 したがって、外部リソースを一切使用しないドメイン間NERモデルを提案する。 まず,トークンが名前付きエンティティであるかどうかを検出するために,新たな目的関数を追加することで,マルチタスク学習(mtl)を導入する。 次に、ゼロリソースドメイン適応の堅牢性を改善するために、Mixture of Entity Experts(MoEE)というフレームワークを紹介します。 最後に、実験結果から、我々のモデルは強力な教師なしクロスドメインシーケンスラベリングモデルよりも優れており、我々のモデルの性能は広範囲なリソースを利用する最先端モデルに近いことを示している。

関連論文リスト

• Improving Few-Shot Cross-Domain Named Entity Recognition by Instruction Tuning a Word-Embedding based Retrieval Augmented Large Language Model [0.0]
  Few-Shot Cross-Domain NERは、データ豊富なソースドメインからの知識を活用して、データ不足のターゲットドメイン上でエンティティ認識を実行するプロセスである。 名前付きエンティティ認識のための検索拡張大言語モデルIF-WRANERを提案する。
  論文  参考訳（メタデータ） (2024-11-01T08:57:29Z)
• Named Entity Recognition Under Domain Shift via Metric Learning for Life Sciences [55.185456382328674]
  名前付きエンティティ認識モデルの拡張のための転写学習の適用性について検討する。 本モデルでは,(1)アノテートイベントからの知識を付加してエンティティ間の関係を確立するソースドメインにおけるエンティティグループ化,2) 対象ドメインにおけるエンティティの識別を擬似ラベリングとコントラスト学習に頼って,2つのドメイン内のエンティティ間の識別を強化する,という2つの段階で構成されている。
  論文  参考訳（メタデータ） (2024-01-19T03:49:28Z)
• Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
  ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。 本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。 本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-23T12:58:20Z)
• FactMix: Using a Few Labeled In-domain Examples to Generalize to Cross-domain Named Entity Recognition [42.32824906747491]
  本稿では,モデルの一般化能力を向上させるために,2段階の有理中心データ拡張手法を提案する。 いくつかのデータセットの結果から,モデルに依存しない手法はドメイン間NERタスクの性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2022-08-24T12:12:38Z)
• Simple Questions Generate Named Entity Recognition Datasets [18.743889213075274]
  この研究は、単純な自然言語の質問によってNERデータセットを自動的に生成する、要求対生成のアプローチを導入している。 我々のモデルは、4つの異なる領域にわたる6つのNERベンチマークにおいて、以前の弱い教師付きモデルよりも大幅に優れています。 自然言語でNERのニーズを定式化することで、アワードのようなきめ細かいエンティティタイプのためのNERモデルを構築することもできます。
  論文  参考訳（メタデータ） (2021-12-16T11:44:38Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
  モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。 ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。 実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
  論文  参考訳（メタデータ） (2021-03-19T01:22:12Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)
• Named Entity Recognition without Labelled Data: A Weak Supervision Approach [23.05371427663683]
  本稿では,ラベル付きデータがない場合のNERモデルの学習方法を提案する。 このアプローチは、ターゲットドメインからテキストを自動的にアノテートするために、幅広いラベリング関数に依存している。 シーケンスラベリングモデルは、最終的にこの統一アノテーションに基づいて訓練することができる。
  論文  参考訳（メタデータ） (2020-04-30T12:29:55Z)
• One Model to Recognize Them All: Marginal Distillation from NER Models with Different Tag Sets [30.445201832698192]
  名前付きエンティティ認識(NER)は、現代の言語理解パイプラインの基本コンポーネントである。 本稿では,不均一なタグセットを持つ資源から統一NERモデルを訓練するための限界蒸留(MARDI)手法を提案する。
  論文  参考訳（メタデータ） (2020-04-10T17:36:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。