論文の概要: Simple and Effective Few-Shot Named Entity Recognition with Structured Nearest Neighbor Learning

• arxiv url: http://arxiv.org/abs/2010.02405v1
• Date: Tue, 6 Oct 2020 00:25:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 06:29:02.387606
• Title: Simple and Effective Few-Shot Named Entity Recognition with Structured Nearest Neighbor Learning
• Title（参考訳）: 構造的近距離学習による単純かつ効果的な名付きエンティティ認識
• Authors: Yi Yang and Arzoo Katiyar
• Abstract要約: 近接学習と構造化推論に基づく単純な数発のエンティティ認識(NER)システムを提案する。 構造化復号と近接学習を組み合わせた手法により,NER評価タスクにおける最先端の性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 34.2525161307715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a simple few-shot named entity recognition (NER) system based on nearest neighbor learning and structured inference. Our system uses a supervised NER model trained on the source domain, as a feature extractor. Across several test domains, we show that a nearest neighbor classifier in this feature-space is far more effective than the standard meta-learning approaches. We further propose a cheap but effective method to capture the label dependencies between entity tags without expensive CRF training. We show that our method of combining structured decoding with nearest neighbor learning achieves state-of-the-art performance on standard few-shot NER evaluation tasks, improving F1 scores by $6\%$ to $16\%$ absolute points over prior meta-learning based systems.
• Abstract（参考訳）: 近接学習と構造化推論に基づく単純な数発のエンティティ認識(NER)システムを提案する。 本システムは,ソースドメイン上で訓練された教師付きNERモデルを特徴抽出器として利用する。 複数のテストドメインにまたがって、この特徴空間における最も近い隣接分類器は、標準的なメタ学習アプローチよりもはるかに効果的であることを示す。 さらに,高価なCRFトレーニングを伴わずに,エンティティタグ間のラベル依存性を捕捉する,安価で効果的な手法を提案する。 提案手法は,構造化復号と近接学習を組み合わせることで,従来のメタラーニングベースのシステムと比較して,f1得点を6,6,6,16,16,$絶対点で向上させる。

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)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• DAMSL: Domain Agnostic Meta Score-based Learning [3.6398662687367973]
  ドメインに依存しないメタスコアベースの学習は、クロスドメインの少数ショット学習のための、新しく、多目的で、非常に効果的なソリューションである。 我々は,従来のメタ学習手法がソースドメインに過度に適合する点と,サポートセットの構造を応用した過去のトランスファー学習手法の問題点を同定する。 提案手法は,従来のメタラーニングとトランスファーラーニングの限界を克服し,より小さな領域シフトと大規模な領域シフトの双方で精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-06-06T06:08:05Z)
• Universal Representation Learning from Multiple Domains for Few-shot Classification [41.821234589075445]
  複数の個別に訓練されたネットワークの知識を蒸留し,一組の普遍的な深層表現を学習することを提案する。 より効率的な適応ステップにより、未確認領域に対する普遍表現をさらに洗練できることが示される。
  論文  参考訳（メタデータ） (2021-03-25T13:49:12Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。