論文の概要: Relation Classification as Two-way Span-Prediction
- arxiv url: http://arxiv.org/abs/2010.04829v2
- Date: Sun, 18 Apr 2021 01:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:41:18.096919
- Title: Relation Classification as Two-way Span-Prediction
- Title（参考訳）: 双方向スパン予測による関係分類
- Authors: Amir DN Cohen, Shachar Rosenman, Yoav Goldberg
- Abstract要約: 現在の教師付き関係分類(RC)タスクは、一対のエンティティ間の関係を表現するために単一の埋め込みを使用する。
我々は、RCタスクを質問応答(QA)と同様、スパンプレディション(SP)問題として扱うのがよりよいアプローチであると論じる。
本稿では,RCのスパンディディションに基づくシステムを提案し,その性能を埋め込み型システムと比較して評価する。
- 参考スコア（独自算出の注目度）: 44.985105904947815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The current supervised relation classification (RC) task uses a single
embedding to represent the relation between a pair of entities. We argue that a
better approach is to treat the RC task as span-prediction (SP) problem,
similar to Question answering (QA). We present a span-prediction based system
for RC and evaluate its performance compared to the embedding based system. We
demonstrate that the supervised SP objective works significantly better then
the standard classification based objective. We achieve state-of-the-art
results on the TACRED and SemEval task 8 datasets.
- Abstract（参考訳）: 現在の教師付き関係分類(RC)タスクは、一対のエンティティ間の関係を表現するために単一の埋め込みを使用する。
質問応答 (QA) と同様, RCタスクをスパンプレディション (SP) 問題として扱う方がよいと論じる。
本稿では,RCのスパンディディションに基づくシステムを提案し,その性能を埋め込み型システムと比較して評価する。
教師付きSPの目的は標準分類に基づく目的よりもはるかに優れていることを示す。
我々はTACREDとSemEvalタスク8のデータセットで最先端の結果を得る。
関連論文リスト
- Large Margin Prototypical Network for Few-shot Relation Classification with Fine-grained Features [30.11073476165794]
関係分類(RC)は、自然言語理解と知識グラフ補完において重要な役割を担っている。
RCに対する従来のアプローチは、機能工学やディープラーニングベースに関わらず、共通タイプの関係を分類する上で有望な性能が得られる。
本稿では,数発学習がRCにとって極めて重要な課題であると考え,数発学習における計量学習の近代的枠組みを改良する。
論文 参考訳（メタデータ） (2024-09-06T03:28:38Z) - ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。
まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。
最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
論文 参考訳（メタデータ） (2022-07-14T17:46:37Z) - Modeling Task Interactions in Document-Level Joint Entity and Relation
Extraction [20.548299226366193]
Graph Compatibility(GC)は、タスク特性を活用するために設計されており、直接タスク干渉のための2つのタスクの決定をブリッジする。
GCは、ベースラインよりも2.3/5.1 F1の改善によって最高のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-05-04T06:18:28Z) - Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。
この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。
また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2021-10-12T17:58:59Z) - DisCoDisCo at the DISRPT2021 Shared Task: A System for Discourse
Segmentation, Classification, and Connective Detection [4.371388370559826]
我々のシステムはDisCoDisCoと呼ばれ、コンテキスト化された単語の埋め込みを手作りの機能で強化する。
関係分類の結果は、新しい2021ベンチマークで強い性能を示している。
複数の事前学習されたトランスフォーマーベース言語モデルの部分評価は、Next Sentence Predictionタスクで事前学習されたモデルが関係分類に最適であることを示している。
論文 参考訳（メタデータ） (2021-09-20T18:11:05Z) - Learning to Relate Depth and Semantics for Unsupervised Domain
Adaptation [87.1188556802942]
教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。
本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。
さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
論文 参考訳（メタデータ） (2021-05-17T13:42:09Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳（メタデータ） (2021-04-28T16:45:56Z) - Robust Learning Through Cross-Task Consistency [92.42534246652062]
クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。
クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
論文 参考訳（メタデータ） (2020-06-07T09:24:33Z)
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。