論文の概要: Dual Supervision Framework for Relation Extraction with Distant Supervision and Human Annotation

• arxiv url: http://arxiv.org/abs/2011.11851v1
• Date: Tue, 24 Nov 2020 02:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 12:17:50.991393
• Title: Dual Supervision Framework for Relation Extraction with Distant Supervision and Human Annotation
• Title（参考訳）: 遠隔指導とヒューマンアノテーションを用いた関係抽出のための二重監督枠組み
• Authors: Woohwan Jung and Kyuseok Shim
• Abstract要約: 両タイプのデータを効果的に活用する二元監視フレームワークを提案する。 我々は、人間のアノテーションと遠隔監視によってラベルを予測するために、HA-NetとDS-Netの2つの別々の予測ネットワークを用いている。 文レベルのREと文書レベルのREを比較検討した結果,両監視フレームワークの有効性が確認された。
• 参考スコア（独自算出の注目度）: 8.782204980889077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation extraction (RE) has been extensively studied due to its importance in real-world applications such as knowledge base construction and question answering. Most of the existing works train the models on either distantly supervised data or human-annotated data. To take advantage of the high accuracy of human annotation and the cheap cost of distant supervision, we propose the dual supervision framework which effectively utilizes both types of data. However, simply combining the two types of data to train a RE model may decrease the prediction accuracy since distant supervision has labeling bias. We employ two separate prediction networks HA-Net and DS-Net to predict the labels by human annotation and distant supervision, respectively, to prevent the degradation of accuracy by the incorrect labeling of distant supervision. Furthermore, we propose an additional loss term called disagreement penalty to enable HA-Net to learn from distantly supervised labels. In addition, we exploit additional networks to adaptively assess the labeling bias by considering contextual information. Our performance study on sentence-level and document-level REs confirms the effectiveness of the dual supervision framework.
• Abstract（参考訳）: 関係抽出(RE)は,知識ベース構築や質問応答といった実世界の応用において重要であるため,広く研究されている。 既存の作品の多くは、遠方の教師付きデータまたは人間の注釈付きデータでモデルを訓練している。 人間のアノテーションの高精度化と遠隔監視の低コスト化を図るため,両タイプのデータを効果的に活用する二重監視フレームワークを提案する。 しかしながら、reモデルをトレーニングするために2つのタイプのデータを単純に組み合わせると、遠方の監視がバイアスをラベル付けするため、予測精度が低下する可能性がある。 異なる2つの予測ネットワークha-netとds-netを用いて,人間の注記によるラベル予測と遠方監督によるラベル予測を行い,遠方監視の不正確なラベル付けによる精度の低下を防止する。 さらに,ha-netが遠隔管理ラベルから学習できるようにするため,不一致ペナルティと呼ばれる追加の損失項を提案する。 また,文脈情報を考慮したラベリングバイアスを適応的に評価するために,追加ネットワークを利用する。 文レベルのREと文書レベルのREを比較検討した結果,両監視フレームワークの有効性が確認された。

関連論文リスト

• SADDE: Semi-supervised Anomaly Detection with Dependable Explanations [6.430347394645541]
  SADDEは2つの主要な目的を達成するために設計された一般的なフレームワークである。 これにより、異常検出プロセスが解釈可能となり、解釈結果の信頼性が向上する。 ネットワーク異常検出に適した新しい2段階半教師付き学習フレームワークを概念化する。
  論文  参考訳（メタデータ） (2024-11-18T05:39:00Z)
• DisenSemi: Semi-supervised Graph Classification via Disentangled Representation Learning [36.85439684013268]
  本研究では,半教師付きグラフ分類のための不整合表現を学習するDisenSemiという新しいフレームワークを提案する。 具体的には,非教師付きモデルと教師なしモデルの両方に対して因子ワイドグラフ表現を生成するために,非教師付きグラフエンコーダを提案する。 教師付き客観情報と相互情報(MI)に基づく制約によって2つのモデルを訓練する。
  論文  参考訳（メタデータ） (2024-07-19T07:31:32Z)
• Dual-stream contrastive predictive network with joint handcrafted feature view for SAR ship classification [9.251342335645765]
  本稿では,新しいデュアルストリームコントラスト予測ネットワーク(DCPNet)を提案する。 最初のタスクは正のサンプルペアを構築し、コアエンコーダにより一般的な表現を学習させることである。 第2の課題は, 深部特徴と手話特徴との対応を適応的に把握し, モデル内での知識伝達を実現し, 特徴融合による冗長性を効果的に改善することである。
  論文  参考訳（メタデータ） (2023-11-26T05:47:01Z)
• Leveraging Unlabeled Data for 3D Medical Image Segmentation through Self-Supervised Contrastive Learning [3.7395287262521717]
  現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。 両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。 我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2023-11-21T14:03:16Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• 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)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。