Fugu-MT 論文翻訳(概要): Learning Structured Representations of Entity Names using Active Learning and Weak Supervision

論文の概要: Learning Structured Representations of Entity Names using Active Learning and Weak Supervision

arxiv url: http://arxiv.org/abs/2011.00105v1
Date: Fri, 30 Oct 2020 21:01:22 GMT
ステータス: 処理完了
システム内更新日: 2022-10-01 16:00:13.570803
Title: Learning Structured Representations of Entity Names using Active Learning and Weak Supervision
Title（参考訳）: アクティブラーニングと弱い監督によるエンティティ名の構造化表現の学習
Authors: Kun Qian, Poornima Chozhiyath Raman, Yunyao Li, Lucian Popa
Abstract要約: 本稿では,この問題を解決するために,能動的学習と弱監督を組み合わせた新しい学習枠組みを提案する。実験により,このフレームワークは,わずか10以上のラベル付き例から高品質なモデルの学習を可能にすることが示された。
参考スコア（独自算出の注目度）: 19.780301040411008
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Structured representations of entity names are useful for many entity-related tasks such as entity normalization and variant generation. Learning the implicit structured representations of entity names without context and external knowledge is particularly challenging. In this paper, we present a novel learning framework that combines active learning and weak supervision to solve this problem. Our experimental evaluation show that this framework enables the learning of high-quality models from merely a dozen or so labeled examples.
Abstract（参考訳）: エンティティ名の構造化表現は、エンティティの正規化や変形生成といった多くのエンティティ関連のタスクに有用である。文脈や外部知識なしでエンティティ名の暗黙的な構造化表現を学ぶことは特に困難である。本稿では,この問題を解決するために,能動的学習と弱監督を組み合わせた新しい学習枠組みを提案する。実験結果から,このフレームワークは1ダース以上のラベル付き例から高品質なモデルを学習できることがわかった。

関連論文リスト

Retrieval-Enhanced Named Entity Recognition [1.2187048691454239]
RENERは、In-Context Learningと情報検索技術に基づく自己回帰言語モデルを用いたエンティティ認識手法である。実験の結果,CrossNERコレクションでは,提案手法を用いて最先端の性能を実現することができた。
論文参考訳（メタデータ） (2024-10-17T01:12:48Z)
Tuning-less Object Naming with a Foundation Model [0.0]
我々は、一度も見つからない名前付きエンティティの集合を学習できるリアルタイムオブジェクト命名システムを実装した。私たちの貢献は、トランスフォーマーから知られている関連メカニズムを注目することです。結果として、システムはワンショットで動作し、異なる内容で命名されたオブジェクトを正しく名付けることができる。
論文参考訳（メタデータ） (2023-11-03T09:11:49Z)
Learning to Name Classes for Vision and Language Models [57.0059455405424]
大規模な視覚と言語モデルは、クラス固有のテキストクエリを画像コンテンツにマッピングすることで、印象的なゼロショット認識性能を達成することができる。視覚的コンテンツの機能として,各クラスに対して最適な単語埋め込みを学習するために,利用可能なデータを活用することを提案する。凍結したモデルに新しい単語の埋め込みを学習することで、新しいクラスに対してゼロショットの能力を保ち、新しいデータセットにモデルを適応しやすくし、潜在的に誤った、非記述的、曖昧なクラス名を調整することができる。
論文参考訳（メタデータ） (2023-04-04T14:34:44Z)
Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
論文参考訳（メタデータ） (2023-03-07T15:07:57Z)
Dynamic Named Entity Recognition [5.9401550252715865]
動的名前付きエンティティ認識(DNER)という新しいタスクを紹介します。 DNERは、コンテキストを利用してエンティティを抽出するアルゴリズムの能力を評価するためのフレームワークを提供する。本稿では,本課題に関連する課題と研究軸を反映したベースラインモデルと実験結果について述べる。
論文参考訳（メタデータ） (2023-02-16T15:50:02Z)
Few-Shot Nested Named Entity Recognition [4.8693196802491405]
本論文は,数発のネストNERタスクを研究対象とする最初の論文である。本稿では、コンテキスト依存を学習し、ネストしたエンティティを識別するためのBiaffine-based Contrastive Learning (BCL)フレームワークを提案する。 BCLはF1スコアで1ショットと5ショットの3つのベースラインモデルを上回った。
論文参考訳（メタデータ） (2022-12-02T03:42:23Z)
An Empirical Investigation of Representation Learning for Imitation [76.48784376425911]
視覚、強化学習、NLPにおける最近の研究は、補助的な表現学習の目的が、高価なタスク固有の大量のデータの必要性を減らすことを示している。本稿では,表現学習アルゴリズムを構築するためのモジュラーフレームワークを提案する。
論文参考訳（メタデータ） (2022-05-16T11:23:42Z)
Named entity recognition architecture combining contextual and global features [5.92351086183376]
名前付きエンティティ認識(NER)は、名前付きエンティティの特定と分類を目的とした情報抽出技術である。我々は,XLNet のコンテキスト特徴と Graph Convolution Network (GCN) のグローバル特徴を組み合わせた NER の性能向上を提案する。
論文参考訳（メタデータ） (2021-12-15T10:54:36Z)
Boosting Entity-aware Image Captioning with Multi-modal Knowledge Graph [96.95815946327079]
名前付きエンティティの長期分布により、名前付きエンティティと視覚的キューの関係を学習することは困難である。本稿では、視覚オブジェクトと名前付きエンティティを関連付けるために、マルチモーダルな知識グラフを構築する新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-07-26T05:50:41Z)
Interpretability Analysis for Named Entity Recognition to Understand System Predictions and How They Can Improve [49.878051587667244]
名前付きエンティティ認識のためのLSTM-CRFアーキテクチャの性能について検討する。文脈表現はシステムの性能に寄与するが、ハイパフォーマンスを駆動する主な要因は、名前トークン自体を学習することにある。我々は、コンテキストのみからエンティティタイプを推測する可能性を評価するために、人間アノテーションを登録し、コンテキストのみのシステムによるエラーの大部分に対してエンティティタイプを推論することはできないが、改善の余地はいくつかある。
論文参考訳（メタデータ） (2020-04-09T14:37:12Z)
Look-into-Object: Self-supervised Structure Modeling for Object Recognition [71.68524003173219]
我々は,自己スーパービジョンを取り入れた「対象」(具体的かつ内在的に対象構造をモデル化する)を提案する。認識バックボーンは、より堅牢な表現学習のために大幅に拡張可能であることを示す。提案手法は汎用オブジェクト認識(ImageNet)や細粒度オブジェクト認識タスク(CUB, Cars, Aircraft)など,多数のベンチマークにおいて大きなパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-03-31T12:22:51Z)

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。