Fugu-MT 論文翻訳(概要): Adversarial Learning for Supervised and Semi-supervised Relation Extraction in Biomedical Literature

論文の概要: Adversarial Learning for Supervised and Semi-supervised Relation Extraction in Biomedical Literature

arxiv url: http://arxiv.org/abs/2005.04277v2
Date: Fri, 25 Sep 2020 15:21:50 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 11:50:06.016542
Title: Adversarial Learning for Supervised and Semi-supervised Relation Extraction in Biomedical Literature
Title（参考訳）: 生物医学における教師付き・半教師付き関係抽出のための逆学習
Authors: Peng Su and K. Vijay-Shanker
Abstract要約: 逆行訓練は、訓練過程における逆行例を含むことにより、モデル性能を改善する技術である。本稿では,関係抽出作業の便宜を図るために,複数の対角的事例を用いた対角的訓練について検討する。また,ラベルのないデータを活用するために,半教師付きシナリオに逆トレーニング手法を適用した。
参考スコア（独自算出の注目度）: 2.8881198461098894
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adversarial training is a technique of improving model performance by involving adversarial examples in the training process. In this paper, we investigate adversarial training with multiple adversarial examples to benefit the relation extraction task. We also apply adversarial training technique in semi-supervised scenarios to utilize unlabeled data. The evaluation results on protein-protein interaction and protein subcellular localization task illustrate adversarial training provides improvement on the supervised model, and is also effective on involving unlabeled data in the semi-supervised training case. In addition, our method achieves state-of-the-art performance on two benchmarking datasets.
Abstract（参考訳）: 逆行訓練は、訓練過程における逆行例を含むことにより、モデル性能を改善する技術である。本稿では,関係抽出タスクの利点を享受するために,複数の対向例を用いた対向訓練について検討する。また,非ラベルデータを活用するために,半教師ありシナリオにおける逆訓練手法を適用した。タンパク質-タンパク質相互作用およびタンパク質細胞内局在化タスクの評価結果は, 教師付きモデルの改善効果を示し, 半教師付き訓練症例におけるラベルなしデータの導入にも有効である。さらに,本手法は2つのベンチマークデータセットの最先端性能を実現する。

関連論文リスト

Distilled Datamodel with Reverse Gradient Matching [74.75248610868685]
オフライントレーニングとオンライン評価段階を含む,データ影響評価のための効率的なフレームワークを提案する。提案手法は, 直接再学習法と比較して, プロセスの大幅な高速化を図りながら, 同等のモデル行動評価を実現する。
論文参考訳（メタデータ） (2024-04-22T09:16:14Z)
SmurfCat at SemEval-2024 Task 6: Leveraging Synthetic Data for Hallucination Detection [51.99159169107426]
本稿では,SemEval-2024幻覚検出タスクのための新しいシステムを提案する。我々の調査は、モデル予測と基準基準を比較するための様々な戦略にまたがっている。強力なパフォーマンス指標を示す3つの異なる方法を紹介します。
論文参考訳（メタデータ） (2024-04-09T09:03:44Z)
Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。実験結果から,本手法は既存手法よりも一貫した改善が得られた。我々の手法はデータ効率が良く、競争のベースラインより優れています。
論文参考訳（メタデータ） (2023-11-27T06:19:50Z)
Tools for Verifying Neural Models' Training Data [29.322899317216407]
The Proof-of-Training-Data”では、モデルトレーナーがモデルの重みを発生させたトレーニングデータの検証を納得させることができる。検証手順が多種多様な攻撃をキャッチできることを実験的に示す。
論文参考訳（メタデータ） (2023-07-02T23:27:00Z)
Training Data Attribution for Diffusion Models [1.1733780065300188]
そこで本研究では,アンサンブルを用いて学習データが拡散モデルの出力にどのように影響するかを明らかにする新しい手法を提案する。我々のアプローチでは、エンコードされたアンサンブル内の個々のモデルは、影響のあるトレーニング例の識別を可能にするために、訓練データ全体の分割を慎重に設計した上で訓練される。得られたモデルアンサンブルは、トレーニングデータの影響の効率的なアブレーションを可能にし、トレーニングデータがモデル出力に与える影響を評価する。
論文参考訳（メタデータ） (2023-06-03T18:36:12Z)
Improving Gradient-based Adversarial Training for Text Classification by Contrastive Learning and Auto-Encoder [18.375585982984845]
我々は,モデルの訓練過程において,勾配に基づく敵攻撃を防御するモデルの能力の向上に焦点をあてる。本稿では, CARL と RAR の2つの新しい対戦訓練手法を提案する。実験により,提案した2つの手法は,テキスト分類データセットにおいて高いベースラインを達成していることが示された。
論文参考訳（メタデータ） (2021-09-14T09:08:58Z)
Delving into Data: Effectively Substitute Training for Black-box Attack [84.85798059317963]
本稿では,知識盗むプロセスで使用されるデータの分散設計に焦点をあてた,新しい視点代替トレーニングを提案する。これら2つのモジュールの組み合わせにより、代替モデルとターゲットモデルの一貫性がさらに向上し、敵攻撃の有効性が大幅に向上する。
論文参考訳（メタデータ） (2021-04-26T07:26:29Z)
Self-supervised Co-training for Video Representation Learning [103.69904379356413]
実例に基づく情報ノイズコントラスト推定訓練に意味クラス正の付加を施すことの利点について検討する。本稿では,インフォネッションNCEの損失を改善するための,自己指導型協調学習手法を提案する。本研究では,2つの下流タスク(行動認識とビデオ検索)における学習表現の質を評価する。
論文参考訳（メタデータ） (2020-10-19T17:59:01Z)
Improved Noise and Attack Robustness for Semantic Segmentation by Using Multi-Task Training with Self-Supervised Depth Estimation [39.99513327031499]
本研究では,ラベルなしビデオ上での自己教師付き単眼深度推定により,教師付きセマンティックセマンティックセグメンテーションを拡張するマルチタスクトレーニングによるロバストネスの向上を提案する。提案手法の有効性をCityscapesデータセットで示し,マルチタスクトレーニングアプローチが単一タスクセマンティックセグメンテーションベースラインを一貫して上回ることを示す。
論文参考訳（メタデータ） (2020-04-23T11:03:56Z)
Adversarial Training for Aspect-Based Sentiment Analysis with BERT [3.5493798890908104]
本稿では,感情分析における敵対的トレーニングを活用するため,BERT Adrial Training (BAT) と呼ばれる新しいアーキテクチャを提案する。提案したモデルは、両方のタスクにおいて、ポストトレーニング後のBERTよりも優れている。我々の知る限りでは、ABSAにおける対人訓練の適用に関する最初の研究である。
論文参考訳（メタデータ） (2020-01-30T13:53:58Z)
Efficient Adversarial Training with Transferable Adversarial Examples [58.62766224452761]
同じトレーニングプロセスにおいて、近隣のエポックからのモデル間で高い転送可能性があることが示される。本稿では,ATTA(Adversarial Training with Transferable Adversarial Examples)を提案する。
論文参考訳（メタデータ） (2019-12-27T03:05:05Z)

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。