論文の概要: Recurrent Interaction Network for Jointly Extracting Entities and Classifying Relations

• arxiv url: http://arxiv.org/abs/2005.00162v2
• Date: Thu, 17 Sep 2020 02:54:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 22:53:02.370413
• Title: Recurrent Interaction Network for Jointly Extracting Entities and Classifying Relations
• Title（参考訳）: エンティティの同時抽出と関係の分類のためのリカレントインタラクションネットワーク
• Authors: Kai Sun, Richong Zhang, Samuel Mensah, Yongyi Mao, Xudong Liu
• Abstract要約: 対話を動的に学習できるマルチタスク学習モデルを設計する。 2つの実世界のデータセットに関する実証的研究により、提案モデルの優位性が確認された。
• 参考スコア（独自算出の注目度）: 45.79634026256055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The idea of using multi-task learning approaches to address the joint extraction of entity and relation is motivated by the relatedness between the entity recognition task and the relation classification task. Existing methods using multi-task learning techniques to address the problem learn interactions among the two tasks through a shared network, where the shared information is passed into the task-specific networks for prediction. However, such an approach hinders the model from learning explicit interactions between the two tasks to improve the performance on the individual tasks. As a solution, we design a multi-task learning model which we refer to as recurrent interaction network which allows the learning of interactions dynamically, to effectively model task-specific features for classification. Empirical studies on two real-world datasets confirm the superiority of the proposed model.
• Abstract（参考訳）: 主体認識タスクと関係分類タスクの関連性から,複数タスクの学習アプローチを用いて実体と関係の同時抽出に対処するという考えが動機である。 マルチタスク学習技術を用いた既存の手法では,共有ネットワークを介して2つのタスク間のインタラクションを学習し,共有情報をタスク固有のネットワークに渡して予測を行う。 しかし、このようなアプローチは、個々のタスクのパフォーマンスを改善するために、2つのタスク間の明示的な相互作用を学ぶのを妨げる。 本研究では,対話を動的に学習し,タスク固有の特徴を効果的にモデル化するリカレントインタラクションネットワークと呼ばれるマルチタスク学習モデルを設計する。 2つの実世界のデータセットに関する実証的研究により、提案モデルの優位性が確認された。

関連論文リスト

• A Decoupling and Aggregating Framework for Joint Extraction of Entities and Relations [7.911978021993282]
  本稿では,エンティティと関係を共同で抽出する新しいモデルを提案する。 本稿では,特徴符号化処理を主題の符号化,オブジェクトの符号化,関係の符号化という3つの部分に分割することを提案する。 我々のモデルは、過去の最先端モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-05-14T04:27:16Z)
• CARE: Co-Attention Network for Joint Entity and Relation Extraction [0.0]
  本稿では,共同エンティティと関係抽出のためのコ・アテンション・ネットワークを提案する。 提案手法では,サブタスク毎に異なる表現を学習するための並列符号化方式を採用する。 このアプローチのコアとなるのは,2つのサブタスク間の双方向のインタラクションをキャプチャするコアテンションモジュールです。
  論文  参考訳（メタデータ） (2023-08-24T03:40:54Z)
• Similarity-based Memory Enhanced Joint Entity and Relation Extraction [3.9659135716762894]
  文書レベルの共同エンティティと関係抽出は難解な情報抽出問題である。 タスク間の双方向メモリのような依存性を持つマルチタスク学習フレームワークを提案する。 実験により,提案手法が既存手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-14T12:26:56Z)
• Saliency-Regularized Deep Multi-Task Learning [7.3810864598379755]
  マルチタスク学習は、知識を共有するために複数の学習タスクを強制し、一般化能力を改善する。 現代のディープマルチタスク学習は、潜在機能とタスク共有を共同で学習することができるが、それらはタスク関係において不明瞭である。 本稿では,潜在的特徴と明示的な課題関係を共同で学習する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） (2022-07-03T20:26:44Z)
• Towards Effective Multi-Task Interaction for Entity-Relation Extraction: A Unified Framework with Selection Recurrent Network [4.477310325275069]
  エンティティ関係抽出は、名前付きエンティティ認識(NER)と関係抽出(RE)を共同で解くことを目的とする 最近のアプローチでは、パイプライン方式で一方向のシーケンシャルな情報伝達を使用するか、共有エンコーダと二方向の暗黙的な相互作用を使用する。 本稿では,シーケンシャルな情報伝達と暗黙的な相互作用の両方の利点を組み合わせた,新規で統一されたカスケードフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-15T09:54:33Z)
• On the relationship between disentanglement and multi-task learning [62.997667081978825]
  ハードパラメータ共有に基づくマルチタスク学習と絡み合いの関係について,より詳しく検討する。 マルチタスクニューラルネットワークトレーニングの過程において, 絡み合いが自然に現れることを示す。
  論文  参考訳（メタデータ） (2021-10-07T14:35:34Z)
• DCR-Net: A Deep Co-Interactive Relation Network for Joint Dialog Act Recognition and Sentiment Classification [77.59549450705384]
  ダイアログシステムでは、ダイアログアクト認識と感情分類は2つの相関タスクである。 既存のシステムのほとんどは、それらを別々のタスクとして扱うか、単に2つのタスクを一緒にモデル化するだけです。 本稿では,2つのタスク間の相互作用をモデル化するディープ・コ・インタラクティブ・リレーショナル・ネットワーク(DCR-Net)を提案する。
  論文  参考訳（メタデータ） (2020-08-16T14:13:32Z)
• Reparameterizing Convolutions for Incremental Multi-Task Learning without Task Interference [75.95287293847697]
  マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。 まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。 第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
  論文  参考訳（メタデータ） (2020-07-24T14:44:46Z)
• Adversarial Continual Learning [99.56738010842301]
  本稿では,タスク不変およびタスク特化機能に対する不整合表現を学習するハイブリッド連続学習フレームワークを提案する。 本モデルでは,タスク固有のスキルの忘れを防止するためにアーキテクチャの成長と,共有スキルを維持するための経験的リプレイアプローチを組み合わせる。
  論文  参考訳（メタデータ） (2020-03-21T02:08:17Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。