論文の概要: TriggerNER: Learning with Entity Triggers as Explanations for Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2004.07493v4
• Date: Tue, 7 Jul 2020 01:10:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 21:10:21.566403
• Title: TriggerNER: Learning with Entity Triggers as Explanations for Named Entity Recognition
• Title（参考訳）: TriggerNER: 名前付きエンティティ認識のための説明としてエンティティトリガーで学ぶ
• Authors: Bill Yuchen Lin, Dong-Ho Lee, Ming Shen, Ryan Moreno, Xiao Huang, Prashant Shiralkar, Xiang Ren
• Abstract要約: 我々は、NERモデルのラベル効率の学習を容易にするために、人間による説明の効果的なプロキシである「エンタリティトリガー」を導入する。 私たちは2つのよく研究されたNERデータセットに対して、14kエンティティトリガをクラウドソースしました。 提案モデルであるTrigger Matching Networkは,自己注意によるトリガー表現とソフトマッチングモジュールを共同で学習する。
• 参考スコア（独自算出の注目度）: 42.984048204280676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training neural models for named entity recognition (NER) in a new domain often requires additional human annotations (e.g., tens of thousands of labeled instances) that are usually expensive and time-consuming to collect. Thus, a crucial research question is how to obtain supervision in a cost-effective way. In this paper, we introduce "entity triggers," an effective proxy of human explanations for facilitating label-efficient learning of NER models. An entity trigger is defined as a group of words in a sentence that helps to explain why humans would recognize an entity in the sentence. We crowd-sourced 14k entity triggers for two well-studied NER datasets. Our proposed model, Trigger Matching Network, jointly learns trigger representations and soft matching module with self-attention such that can generalize to unseen sentences easily for tagging. Our framework is significantly more cost-effective than the traditional neural NER frameworks. Experiments show that using only 20% of the trigger-annotated sentences results in a comparable performance as using 70% of conventional annotated sentences.
• Abstract（参考訳）: 新しいドメインで名前付きエンティティ認識(NER)のためのニューラルネットワークのトレーニングには、通常高価で収集に時間がかかる追加のヒューマンアノテーション(例えば、数万のラベル付きインスタンス)が必要となることが多い。 したがって、重要な研究課題は、コスト効率の良い方法で監督を得る方法である。 本稿では,NERモデルのラベル効率学習を容易にするために,人間による説明の効果的なプロキシである「エンタリティトリガー」を紹介する。 エンティティトリガーは、人間が文中のエンティティを認識する理由を説明するのに役立つ文中の単語のグループとして定義される。 2つのnerデータセットの14kエンティティトリガーをクラウドソースしました。 提案するモデルである Trigger Matching Network は,タグ付けの容易な未確認文に一般化可能な自己注意型トリガー表現とソフトマッチングモジュールを共同で学習する。 我々のフレームワークは従来のニューラルNERフレームワークよりもはるかに費用対効果が高い。 実験により、トリガー注釈文の20%しか使用せず、従来の注釈文の70%と同等の性能が得られることが分かった。

関連論文リスト

• In-Context Learning for Few-Shot Nested Named Entity Recognition [53.55310639969833]
  数発のネストネストNERの設定に有効で革新的なICLフレームワークを導入する。 我々は、新しい実演選択機構であるEnDe retrieverを考案し、ICLプロンプトを改善する。 EnDe検索では,意味的類似性,境界類似性,ラベル類似性という3種類の表現学習を行うために,コントラスト学習を用いる。
  論文  参考訳（メタデータ） (2024-02-02T06:57:53Z)
• Less than One-shot: Named Entity Recognition via Extremely Weak Supervision [46.81604901567282]
  極端に弱い監督環境下で、名前付きエンティティ認識問題について検討する。 そこで本稿では,最先端のワンショットNER法より優れたX-NERを提案する。 X-NERは、基礎となる言語モデルの言語間能力の継承など、いくつかの特筆すべき特性を持っている。
  論文  参考訳（メタデータ） (2023-11-06T04:20:42Z)
• Named Entity Recognition via Machine Reading Comprehension: A Multi-Task Learning Approach [50.12455129619845]
  Named Entity Recognition (NER) は、テキスト内のエンティティの参照を事前に定義された型に抽出し、分類することを目的としている。 我々は,MRCベースのNERを改善するために,エンティティタイプ間のラベル依存性をマルチタスク学習フレームワークに組み込むことを提案する。
  論文  参考訳（メタデータ） (2023-09-20T03:15:05Z)
• Optimizing Bi-Encoder for Named Entity Recognition via Contrastive Learning [80.36076044023581]
  名前付きエンティティ認識(NER)のための効率的なバイエンコーダフレームワークを提案する。 我々はNERを、エンティティ参照のベクトル表現とその型との類似性を最大化する計量学習問題とみなす。 NERのこのバイエンコーダの定式化における大きな課題は、エンティティの言及から非エンゲージスを分離することにある。
  論文  参考訳（メタデータ） (2022-08-30T23:19:04Z)
• Trigger-GNN: A Trigger-Based Graph Neural Network for Nested Named Entity Recognition [5.9049664765234295]
  ネストしたNERを利用するトリガーベースグラフニューラルネットワーク(Trigger-GNN)を提案する。 エンティティトリガーエンコーディングとセマンティックマッチングを通じて補完的なアノテーション埋め込みを得る。 モデルはより効率的に、費用対効果で学習し、一般化するのに役立ちます。
  論文  参考訳（メタデータ） (2022-04-12T04:15:39Z)
• Focusing on Potential Named Entities During Active Label Acquisition [0.0]
  名前付きエンティティ認識(NER)は、構造化されていないテキスト中の名前付きエンティティの参照を識別することを目的としている。 多くのドメイン固有のNERアプリケーションは、まだかなりの量のラベル付きデータを要求する。 本稿では,長すぎるか短すぎる文をペナル化するための,データ駆動正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T09:04:16Z)
• Low-Resource Named Entity Recognition Based on Multi-hop Dependency Trigger [0.0]
  本稿では,マルチホップ依存トリガに基づく低リソースなエンティティ認識(NER)において,シンプルかつ効果的なアプローチを提案する。 我々の主な観察は、文中の実体の位置と種類を認識する上で重要な役割を果たすトリガーがしばしば存在することである。
  論文  参考訳（メタデータ） (2021-09-15T07:00:40Z)
• AutoTriggER: Label-Efficient and Robust Named Entity Recognition with Auxiliary Trigger Extraction [54.20039200180071]
  我々は,エンティティトリガの自動生成と活用によるNER性能向上のための新しいフレームワークを提案する。 筆者らのフレームワークは,ポストホックな説明を活用して合理的な知識を生成し,埋め込み手法を用いてモデルの事前知識を強化する。 AutoTriggERは強力なラベル効率を示し、目に見えないエンティティを一般化し、RoBERTa-CRFベースラインを平均0.5F1ポイント上回る性能を持つ。
  論文  参考訳（メタデータ） (2021-09-10T08:11:56Z)
• A Sequence-to-Set Network for Nested Named Entity Recognition [38.05786148160635]
  ネストNERのための新しいシーケンス・ツー・セットニューラルネットワークを提案する。 我々は、非自己回帰デコーダを使用して、1回のパスで最終的なエンティティセットを予測する。 実験により, ネストした3つのNERコーパスに対して, 提案モデルが最先端となることを示す。
  論文  参考訳（メタデータ） (2021-05-19T03:10:04Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)

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。