論文の概要: RH-Net: Improving Neural Relation Extraction via Reinforcement Learning and Hierarchical Relational Searching

• arxiv url: http://arxiv.org/abs/2010.14255v2
• Date: Tue, 2 Feb 2021 07:24:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 11:03:29.037174
• Title: RH-Net: Improving Neural Relation Extraction via Reinforcement Learning and Hierarchical Relational Searching
• Title（参考訳）: RH-Net:強化学習と階層的関係探索によるニューラルネットワーク抽出の改善
• Authors: Jianing Wang
• Abstract要約: 本稿では、強化学習と階層型関係探索モジュールを用いて関係抽出を改善するRH-Netという新しいフレームワークを提案する。 次に、データリッチクラスとデータポーアクラス間の相関インスタンスのセマンティクスを共有する階層的関係探索モジュールを提案する。
• 参考スコア（独自算出の注目度）: 2.1828601975620257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distant supervision (DS) aims to generate large-scale heuristic labeling corpus, which is widely used for neural relation extraction currently. However, it heavily suffers from noisy labeling and long-tail distributions problem. Many advanced approaches usually separately address two problems, which ignore their mutual interactions. In this paper, we propose a novel framework named RH-Net, which utilizes Reinforcement learning and Hierarchical relational searching module to improve relation extraction. We leverage reinforcement learning to instruct the model to select high-quality instances. We then propose the hierarchical relational searching module to share the semantics from correlative instances between data-rich and data-poor classes. During the iterative process, the two modules keep interacting to alleviate the noisy and long-tail problem simultaneously. Extensive experiments on widely used NYT data set clearly show that our method significant improvements over state-of-the-art baselines.
• Abstract（参考訳）: 遠隔監視(DS)は,現在ニューラルネットワーク抽出に広く利用されている大規模ヒューリスティックラベルコーパスを生成することを目的としている。 しかし、ノイズの多いラベリングやロングテール分布の問題に苦しむ。 多くの先進的なアプローチは、通常2つの問題に別々に対処し、両者の相互作用を無視する。 本稿では、強化学習と階層型関係探索モジュールを用いて関係抽出を改善するRH-Netという新しいフレームワークを提案する。 強化学習を利用して、モデルに高品質なインスタンスを選択するように指示する。 次に、データリッチクラスとデータポーアクラス間の相関インスタンスのセマンティクスを共有する階層的関係探索モジュールを提案する。 反復過程の間、2つのモジュールは相互作用を続け、ノイズと長い尾の問題を同時に緩和する。 広範に使用されるnytデータセットに関する広範囲な実験により、最先端のベースラインよりも大きな改善が得られた。

関連論文リスト

• Nearest Neighbor-Based Contrastive Learning for Hyperspectral and LiDAR Data Classification [45.026868970899514]
  本稿では,Nearest Neighbor-based Contrastive Learning Network (NNCNet)を提案する。 具体的には,近隣地域間のセマンティック関係を強化した近傍データ拡張手法を提案する。 さらに,HSIデータとLiDARデータ間の2次・高次特徴相互作用を生かしたバイリニアアテンションモジュールを設計する。
  論文  参考訳（メタデータ） (2023-01-09T13:43:54Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• Improving Long Tailed Document-Level Relation Extraction via Easy Relation Augmentation and Contrastive Learning [66.83982926437547]
  我々は,DocREが現実のシナリオにおいて,長期分布問題の緩和に不可欠であると主張する。 長期分布問題に動機付けられ,DocREを改善するための簡易関係拡張法(ERA)を提案する。
  論文  参考訳（メタデータ） (2022-05-21T06:15:11Z)
• HRKD: Hierarchical Relational Knowledge Distillation for Cross-domain Language Model Compression [53.90578309960526]
  大規模事前学習言語モデル(PLM)は、従来のニューラルネットワーク手法と比較して圧倒的な性能を示している。 階層的および領域的関係情報の両方を抽出する階層的関係知識蒸留法(HRKD)を提案する。
  論文  参考訳（メタデータ） (2021-10-16T11:23:02Z)
• 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)
• MapRE: An Effective Semantic Mapping Approach for Low-resource Relation Extraction [11.821464352959454]
  低リソース関係抽出のためのラベル非依存とラベル対応のセマンティックマッピング情報の両方を考慮したフレームワークを提案する。 以上の2種類のマッピング情報を事前学習と微調整の両方に組み込むことで,モデル性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-09-09T09:02:23Z)
• Improving Sentence-Level Relation Extraction through Curriculum Learning [7.117139527865022]
  本稿では,学習の難易度でデータを分割し,学習に活用するカリキュラムベースの関係抽出モデルを提案する。 代表文レベルの関係抽出データセットであるTACREDとRe-TACREDを用いた実験では,提案手法は良好な性能を示した。
  論文  参考訳（メタデータ） (2021-07-20T08:44:40Z)
• Distantly-Supervised Long-Tailed Relation Extraction Using Constraint Graphs [16.671606030727975]
  本稿では,関係ラベル間の依存関係をモデル化するための制約グラフを提案する。 また,2つの課題を同時に扱うために,制約グラフに基づく関係抽出フレームワーク(CGRE)を提案する。 CGREはグラフ畳み込みネットワーク(GCN)を用いて、データリッチな関係ノードからデータ貧弱な関係ノードへ情報を伝達する。
  論文  参考訳（メタデータ） (2021-05-24T12:02:32Z)
• Improving Long-Tail Relation Extraction with Collaborating Relation-Augmented Attention [63.26288066935098]
  本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。 一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
  論文  参考訳（メタデータ） (2020-10-08T05:34:43Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。