論文の概要: Exploit Multiple Reference Graphs for Semi-supervised Relation Extraction

• arxiv url: http://arxiv.org/abs/2010.11383v1
• Date: Thu, 22 Oct 2020 02:14:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 06:22:18.863450
• Title: Exploit Multiple Reference Graphs for Semi-supervised Relation Extraction
• Title（参考訳）: 半教師付き関係抽出のための複数参照グラフの探索
• Authors: Wanli Li and Tieyun Qian
• Abstract要約: ラベルなしデータとラベル付きデータとの接続を構築することを提案する。 具体的には,まず3種類の情報を用いて参照グラフを構築する。 目標は、ラベル付けされていないサンプル(s)をラベル付けされたサンプル(s)に意味的または語彙的に接続することである。
• 参考スコア（独自算出の注目度）: 12.837901211741443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manual annotation of the labeled data for relation extraction is time-consuming and labor-intensive. Semi-supervised methods can offer helping hands for this problem and have aroused great research interests. Existing work focuses on mapping the unlabeled samples to the classes to augment the labeled dataset. However, it is hard to find an overall good mapping function, especially for the samples with complicated syntactic components in one sentence. To tackle this limitation, we propose to build the connection between the unlabeled data and the labeled ones rather than directly mapping the unlabeled samples to the classes. Specifically, we first use three kinds of information to construct reference graphs, including entity reference, verb reference, and semantics reference. The goal is to semantically or lexically connect the unlabeled sample(s) to the labeled one(s). Then, we develop a Multiple Reference Graph (MRefG) model to exploit the reference information for better recognizing high-quality unlabeled samples. The effectiveness of our method is demonstrated by extensive comparison experiments with the state-of-the-art baselines on two public datasets.
• Abstract（参考訳）: 関係抽出のためのラベル付きデータの手動アノテーションは、時間と労力がかかる。 半教師付き手法はこの問題に手を貸すことができ、大きな研究の関心を喚起する。 既存の作業はラベルなしのサンプルをクラスにマッピングしてラベル付きデータセットを補完することに焦点を当てている。 しかし、特に1文に複雑な構文成分を持つサンプルに対して、全体的な良いマッピング関数を見つけることは困難である。 この制限に対処するために,ラベルなしのサンプルをクラスに直接マッピングするのではなく,ラベルなしのデータとラベル付きデータとの接続を構築することを提案する。 具体的には、まず3種類の情報を用いて、エンティティ参照、動詞参照、セマンティクス参照を含む参照グラフを構築する。 目標は、ラベルのないサンプル(s)をラベル付きサンプル(s)に意味的または語彙的に接続することである。 次に,その参照情報を活用した多元参照グラフ(mrefg)モデルを開発し,高品質なラベルなしサンプルの認識を改善する。 本手法の有効性は,2つの公開データセットにおける最先端ベースラインとの比較実験により実証された。

関連論文リスト

• Substituting Data Annotation with Balanced Updates and Collective Loss in Multi-label Text Classification [19.592985329023733]
  MLTC(Multi-label text classification)は、あるテキストに複数のラベルを割り当てるタスクである。 本報告では,MLTCの問題点を,ラベル数に比例して,利用可能な監視信号の大きさが線形であるアノテーションフリーおよび希少アノテーション設定で検討する。 提案手法は,(1)事前学習した言語モデルを用いて,入力テキストを事前ラベル候補の集合にマッピングし,(2)ラベル記述による署名付きラベル依存グラフの計算,(3)ラベル依存グラフに沿ったメッセージパスによる事前ラベル候補の更新を行う。
  論文  参考訳（メタデータ） (2023-09-24T04:12:52Z)
• Query-based Video Summarization with Pseudo Label Supervision [19.229722872058055]
  手動でラベル付けされたクエリベースのビデオ要約のための既存のデータセットは、コストが高くて小さい。 セルフスーパービジョンは、プリテキストタスクを使用して、擬似ラベルで余分なデータを取得する方法を定義することで、データ空間の問題に対処することができる。 実験結果から,提案した映像要約アルゴリズムは最先端の性能を実現することがわかった。
  論文  参考訳（メタデータ） (2023-07-04T22:28:17Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半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のための新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• Multi-label Classification with Partial Annotations using Class-aware Selective Loss [14.3159150577502]
  大規模なマルチラベル分類データセットは、一般的に部分的に注釈付けされている。 部分的なラベリング問題を解析し、2つの重要なアイデアに基づいた解を提案する。 われわれの新しいアプローチにより、OpenImagesデータセット上で最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-21T08:10:55Z)
• Learning with Noisy Labels by Targeted Relabeling [52.0329205268734]
  クラウドソーシングプラットフォームは、ディープニューラルネットワークをトレーニングするためのデータセット収集によく使用される。 本稿では,少数のアノテーションを予約して,高い確率でラベル付け可能なエラーを明示的に緩和する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-15T20:37:29Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半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のための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• OpenMix: Reviving Known Knowledge for Discovering Novel Visual Categories in An Open World [127.64076228829606]
  オープンセットからのラベルなし例と既知のクラスからのラベル付き例を混合するために、OpenMixを導入します。 OpenMixは、間違った擬似ラベルで割り当てられる可能性のあるラベルのないサンプルに対して、モデルが過度に適合することを防ぐのに役立つ。
  論文  参考訳（メタデータ） (2020-04-12T05:52:39Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。