論文の概要: Active Learning for Coreference Resolution using Discrete Annotation

• arxiv url: http://arxiv.org/abs/2004.13671v3
• Date: Tue, 19 May 2020 00:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 23:09:18.446825
• Title: Active Learning for Coreference Resolution using Discrete Annotation
• Title（参考訳）: 離散アノテーションを用いた参照解決のためのアクティブラーニング
• Authors: Belinda Z. Li, Gabriel Stanovsky, Luke Zettlemoyer
• Abstract要約: 我々は、コア参照解決におけるアクティブラーニングのためのペアワイズアノテーションを改善した。 提案された参照ペアがコアフェレントでないと判断された場合、アノテータに参照アンテセントを識別するよう依頼する。 既存のベンチマークコアベンチマークデータセットを用いた実験では、この追加質問からの信号が人間のアノテーション時間当たりの大幅なパフォーマンス向上につながることが示された。
• 参考スコア（独自算出の注目度）: 76.36423696634584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We improve upon pairwise annotation for active learning in coreference resolution, by asking annotators to identify mention antecedents if a presented mention pair is deemed not coreferent. This simple modification, when combined with a novel mention clustering algorithm for selecting which examples to label, is much more efficient in terms of the performance obtained per annotation budget. In experiments with existing benchmark coreference datasets, we show that the signal from this additional question leads to significant performance gains per human-annotation hour. Future work can use our annotation protocol to effectively develop coreference models for new domains. Our code is publicly available at https://github.com/belindal/discrete-active-learning-coref .
• Abstract（参考訳）: 提案する参照対がcoreferentでないと判断された場合、先行項の識別を注釈者に依頼することで、共参照解決におけるアクティブラーニングのためのペアワイズアノテーションを改善した。 この単純な修正は、ラベルを付けるべき例を選択する新しい参照クラスタリングアルゴリズムと組み合わせると、アノテーションの予算ごとに得られるパフォーマンスの点ではるかに効率的である。 既存のベンチマークコアベンチマークデータセットを用いた実験では、この追加質問からの信号が人間のアノテーション時間当たりの大幅なパフォーマンス向上につながることが示された。 将来の作業では、アノテーションプロトコルを使用して、新しいドメインのコア参照モデルを効果的に開発できます。 私たちのコードはhttps://github.com/belindal/discrete-active-learning-corefで公開されています。

関連論文リスト

• Vocabulary-Defined Semantics: Latent Space Clustering for Improving In-Context Learning [32.178931149612644]
  コンテキスト内学習により、言語モデルは下流のデータに適応したり、プロンプト内のデモとして少数のサンプルでタスクを組み込むことができる。 しかし、文脈内学習のパフォーマンスは、実演の質、形式、順序によって不安定である可能性がある。 語彙定義意味論(vocabulary-defined semantics)を提案する。
  論文  参考訳（メタデータ） (2024-01-29T14:29:48Z)
• IDEAL: Influence-Driven Selective Annotations Empower In-Context Learners in Large Language Models [66.32043210237768]
  本稿では,影響駆動型選択的アノテーション手法を提案する。 アノテーションのコストを最小限に抑えつつ、コンテキスト内サンプルの品質を向上させることを目的としている。 様々なベンチマークで提案手法の優位性を確認する実験を行った。
  論文  参考訳（メタデータ） (2023-10-16T22:53:54Z)
• Prefer to Classify: Improving Text Classifiers via Auxiliary Preference Learning [76.43827771613127]
  本稿では、このような補助データアノテーションの新しい代替手段として、入力テキストのペア間のタスク固有の嗜好について検討する。 本稿では、与えられた分類課題と補助的選好の両方を学ぶことの協調効果を享受できる、P2Cと呼ばれる新しいマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T04:04:47Z)
• Extending an Event-type Ontology: Adding Verbs and Classes Using Fine-tuned LLMs Suggestions [0.0]
  語彙拡張タスクに先進的な機械学習手法を用いて事前アノテートしたデータについて検討した。 自動スコアと人間のアノテーションの相関について検討した。 相関性は強いが, アノテーションの固有性に対する影響は, ほぼ線形性から緩やかである。
  論文  参考訳（メタデータ） (2023-06-03T14:57:47Z)
• Mention Annotations Alone Enable Efficient Domain Adaptation for Coreference Resolution [8.08448832546021]
  注釈付けだけでは、注釈付けが完全なコア参照チェーンの約2倍の速さであることを示す。 提案手法はアノテーション効率を向上し,アノテータ時間の増加を伴わずにF1の平均値が7～14%向上する。
  論文  参考訳（メタデータ） (2022-10-14T07:57:27Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Contrastive Test-Time Adaptation [83.73506803142693]
  本稿では,自己指導型コントラスト学習を活用して特徴学習を支援する新しい手法を提案する。 擬似ラベルをオンラインで作成し、ターゲットのフィーチャースペースに最も近い隣人の間でソフト投票によってそれらを洗練します。 我々の手法であるAdaContrastは、主要なベンチマーク上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-04-21T19:17:22Z)
• Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
  我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。 これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-20T17:34:55Z)
• Adaptive Active Learning for Coreference Resolution [37.261220564076964]
  最近のインクリメンタルコア推論解決の進展により、この設定におけるアクティブラーニングに対する新しいアプローチが可能になる。 コアファレンスのためのデータバリアを下げることで、コアファレンスリゾルバは、以前に考慮されていない一連のドメインに迅速に適応できます。
  論文  参考訳（メタデータ） (2021-04-15T17:21:51Z)

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。