論文の概要: Bipartite Flat-Graph Network for Nested Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2005.00436v1
• Date: Fri, 1 May 2020 15:14:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 00:23:27.721427
• Title: Bipartite Flat-Graph Network for Nested Named Entity Recognition
• Title（参考訳）: ネステッド名前付きエンティティ認識のための二部グラフネットワーク
• Authors: Ying Luo and Hai Zhao
• Abstract要約: ネスト型名前付きエンティティ認識(NER)のためのバイパートフラットグラフネットワーク(BiFlaG) ネストされた名前付きエンティティ認識(NER)のためのバイパーティライトフラットグラフネットワーク(BiFlaG)を提案する。
• 参考スコア（独自算出の注目度）: 94.91507634620133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel bipartite flat-graph network (BiFlaG) for nested named entity recognition (NER), which contains two subgraph modules: a flat NER module for outermost entities and a graph module for all the entities located in inner layers. Bidirectional LSTM (BiLSTM) and graph convolutional network (GCN) are adopted to jointly learn flat entities and their inner dependencies. Different from previous models, which only consider the unidirectional delivery of information from innermost layers to outer ones (or outside-to-inside), our model effectively captures the bidirectional interaction between them. We first use the entities recognized by the flat NER module to construct an entity graph, which is fed to the next graph module. The richer representation learned from graph module carries the dependencies of inner entities and can be exploited to improve outermost entity predictions. Experimental results on three standard nested NER datasets demonstrate that our BiFlaG outperforms previous state-of-the-art models.
• Abstract（参考訳）: 本論文では、ネストされた名前付きエンティティ認識(NER)のための新しいバイパート・フラットグラフ・ネットワーク(BiFlaG)を提案し、最外側のエンティティのためのフラットNERモジュールと、内層にあるすべてのエンティティのためのグラフモジュールの2つのサブグラフ・モジュールを含む。 双方向LSTM (BiLSTM) とグラフ畳み込みネットワーク (GCN) を用いてフラットエンティティとその内部依存性を共同学習する。 内部層から外部層(または外部層)への情報の一方向配信のみを考慮した従来のモデルとは異なり、我々のモデルはそれらの双方向相互作用を効果的に捉えている。 まず、フラットなNERモジュールによって認識されるエンティティを使用してエンティティグラフを構築し、それを次のグラフモジュールに供給する。 グラフモジュールから学んだよりリッチな表現は内部エンティティの依存関係を持ち、最も外側のエンティティ予測を改善するために活用できる。 3つの標準ネストNERデータセットの実験結果から、我々のBiFlaGが従来の最先端モデルより優れていることが示された。

関連論文リスト

• Hybrid Multi-stage Decoding for Few-shot NER with Entity-aware Contrastive Learning [32.62763647036567]
  名前付きエンティティ認識は、ラベル付けされたいくつかの例に基づいて、新しいタイプの名前付きエンティティを識別できる。 MsFNER(Entity-Aware Contrastive Learning)を用いたFew-shot NERのためのハイブリッド多段復号法を提案する。 MsFNERは一般的なNERを、エンティティスパン検出とエンティティ分類の2つのステージに分割する。
  論文  参考訳（メタデータ） (2024-04-10T12:31:09Z)
• Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks [58.43972540643903]
  PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。 エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。 EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-10-26T08:36:39Z)
• Few-Shot Nested Named Entity Recognition [4.8693196802491405]
  本論文は,数発のネストNERタスクを研究対象とする最初の論文である。 本稿では、コンテキスト依存を学習し、ネストしたエンティティを識別するためのBiaffine-based Contrastive Learning (BCL)フレームワークを提案する。 BCLはF1スコアで1ショットと5ショットの3つのベースラインモデルを上回った。
  論文  参考訳（メタデータ） (2022-12-02T03:42:23Z)
• Two-view Graph Neural Networks for Knowledge Graph Completion [13.934907240846197]
  我々は,エンティティ中心のグラフ構造と関係中心のグラフ構造をキャプチャする,新しいGNNベースの知識グラフ埋め込みモデルWGEを紹介する。 WGEは、知識グラフ補完のための3つの新しい挑戦的なベンチマークデータセットCoDExの最先端のパフォーマンスを得る。
  論文  参考訳（メタデータ） (2021-12-16T22:36:17Z)
• Scalable knowledge base completion with superposition memories [7.754062965937491]
  本稿では,知識ベース補完のためのニューラルネットワークであるハーモニックメモリネットワーク(HMem)を提案する。 HMemはエンティティを、エンティティの隣人と対応する関係の間のペアワイズ結合の重み付け和としてモデル化する。 WNGenとFBGenの2つの新しいデータセットでこれを実証する。
  論文  参考訳（メタデータ） (2021-10-24T03:18:04Z)
• Neural Production Systems [90.75211413357577]
  視覚環境は、異なるオブジェクトまたはエンティティから構成される。 イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。 私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。 このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
  論文  参考訳（メタデータ） (2021-03-02T18:53:20Z)
• CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
  クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。 異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
  論文  参考訳（メタデータ） (2021-01-18T05:21:59Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning [26.8738194817491]
  グラフ表現学習のための木構造対応グラフニューラルネットワークモデルT-GNNを提案する。 提案するT-GNNは,(1)階層型集約モジュールと(2)関係計量学習モジュールの2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2020-08-23T09:41:19Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)

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。