論文の概要: Benchmarking BioRelEx for Entity Tagging and Relation Extraction

• arxiv url: http://arxiv.org/abs/2006.00533v1
• Date: Sun, 31 May 2020 14:45:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 12:33:03.217967
• Title: Benchmarking BioRelEx for Entity Tagging and Relation Extraction
• Title（参考訳）: エンティティタグ付けと関係抽出のためのベンチマークバイオレックス
• Authors: Abhinav Bhatt, Kaustubh D. Dhole
• Abstract要約: 最近導入された公開データセットであるBioRelExについて、既存のエンティティと関係抽出モデルを比較した。 DYGIEのようなスパンベースのマルチタスクアーキテクチャでは,エンティティタグと関係抽出の絶対的改善が4.9%,6%であった。 関連するドメイン上で事前トレーニングされた埋め込みのようなドメイン固有の情報を統合することで、パフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 8.809080140640184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting relationships and interactions between different biological entities is still an extremely challenging problem but has not received much attention as much as extraction in other generic domains. In addition to the lack of annotated data, low benchmarking is still a major reason for slow progress. In order to fill this gap, we compare multiple existing entity and relation extraction models over a recently introduced public dataset, BioRelEx of sentences annotated with biological entities and relations. Our straightforward benchmarking shows that span-based multi-task architectures like DYGIE show 4.9% and 6% absolute improvements in entity tagging and relation extraction respectively over the previous state-of-art and that incorporating domain-specific information like embeddings pre-trained over related domains boosts performance.
• Abstract（参考訳）: 異なる生物学的実体間の関係や相互作用の抽出は依然として非常に難しい問題であるが、他の一般的なドメインの抽出ほど注目されていない。 注釈付きデータの欠如に加えて、低ベンチマークは依然として進捗の鈍化の主な理由である。 このギャップを埋めるために,最近導入された公開データセット上で,既存の複数のエンティティと関係抽出モデルを比較した。 DYGIEのようなスパンベースのマルチタスクアーキテクチャは、前回の最先端技術よりもエンティティタグと関係抽出の絶対的な改善が4.9%と6%を示し、関連するドメインに事前トレーニングされた埋め込みのようなドメイン固有の情報を組み込むことでパフォーマンスが向上することを示している。

関連論文リスト

• Sentence Bag Graph Formulation for Biomedical Distant Supervision Relation Extraction [13.173870222632454]
  本稿では、エンティティペアを参照する文袋のグラフビューを提案し、エンティティペアに関連する情報のメッセージパスに基づくアグリゲーションを可能にする。 提案手法は,遠隔教師付き関係抽出におけるノイズラベリングの一般的な問題を緩和し,バッグ内に文間の依存性を効果的に組み込む。
  論文  参考訳（メタデータ） (2023-10-29T05:48:04Z)
• Jointprop: Joint Semi-supervised Learning for Entity and Relation Extraction with Heterogeneous Graph-based Propagation [13.418617500641401]
  共同半教師付きエンティティと関係抽出のための不均一グラフに基づく伝搬フレームワークであるJointpropを提案する。 我々は、エンティティと関係候補から統一されたスパンベースのヘテロジニアスグラフを構築し、信頼度スコアに基づいてクラスラベルを伝搬する。 我々はNERおよびREタスクにおける最先端の半教師付きアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-25T09:07:04Z)
• Improving Out-of-Distribution Generalization of Neural Rerankers with Contextualized Late Interaction [52.63663547523033]
  マルチベクトルの最も単純な形式である後期相互作用は、[]ベクトルのみを使用して類似度スコアを計算する神経リランカにも役立ちます。 異なるモデルサイズと多様な性質の第一段階のレトリバーに一貫性があることが示される。
  論文  参考訳（メタデータ） (2023-02-13T18:42:17Z)
• Relation-Specific Attentions over Entity Mentions for Enhanced Document-Level Relation Extraction [4.685620089585031]
  本稿では,候補関係に関して,異なるエンティティの言及に対して選択的に注目するRSMANを提案する。 2つのベンチマークデータセットによる実験により、RSMANはいくつかのバックボーンモデルに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-05-28T10:40:31Z)
• An Empirical Study on Relation Extraction in the Biomedical Domain [0.0]
  文レベルの関係抽出と文書レベルの関係抽出について検討し、いくつかのベンチマークデータセット上で最先端の手法を実行する。 以上の結果から,(1)現行の文書レベルの関係抽出手法は高い一般化能力を有し,(2)既存の手法では,バイオメディシンのモデル微調整に大量のラベル付きデータを必要とすることがわかった。
  論文  参考訳（メタデータ） (2021-12-11T03:36:38Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Entity Linking and Discovery via Arborescence-based Supervised Clustering [35.93568319872986]
  本稿では,言及親和性を完全に活用する新しいトレーニングと推論手法を提案する。 我々は,この手法がエンティティ発見に優雅に拡張されていることを示す。 我々はZero-Shot Entity LinkingデータセットとMedMentionsに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-09-02T23:05:58Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Cross-Supervised Joint-Event-Extraction with Heterogeneous Information Networks [61.950353376870154]
  Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。 トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。 我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-10-13T11:51:17Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。