Fugu-MT 論文翻訳(概要): A Boundary Regression Model for Nested Named Entity Recognition

論文の概要: A Boundary Regression Model for Nested Named Entity Recognition

arxiv url: http://arxiv.org/abs/2011.14330v2
Date: Sun, 27 Dec 2020 22:09:22 GMT
ステータス: 処理完了
システム内更新日: 2021-06-07 09:08:37.642886
Title: A Boundary Regression Model for Nested Named Entity Recognition
Title（参考訳）: ネスト付き名前付きエンティティ認識のための境界回帰モデル
Authors: Yanping Chen, Lefei Wu, Liyuan Deng, Yongbin Qing, Ruizhang Huang, Qinghua Zheng, Ping Chen
Abstract要約: 名前付きエンティティ(NE)の認識は、文中のNE候補のクラスタグを予測する分類問題として一般的に行われる。ニューラルネットワークの最近の進歩は、特徴を連続表現に分類する深い構造を採用している。本稿では,文中のNEを見つけるために回帰演算を導入する。
参考スコア（独自算出の注目度）: 17.968819067122418
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recognizing named entities (NEs) is commonly conducted as a classification problem that predicts a class tag for an NE candidate in a sentence. In shallow structures, categorized features are weighted to support the prediction. Recent developments in neural networks have adopted deep structures that map categorized features into continuous representations. This approach unfolds a dense space saturated with high-order abstract semantic information, where the prediction is based on distributed feature representations. In this paper, the regression operation is introduced to locate NEs in a sentence. In this approach, a deep network is first designed to transform an input sentence into recurrent feature maps. Bounding boxes are generated from the feature maps, where a box is an abstract representation of an NE candidate. In addition to the class tag, each bounding box has two parameters denoting the start position and the length of an NE candidate. In the training process, the location offset between a bounding box and a true NE are learned to minimize the location loss. Based on this motivation, a multiobjective learning framework is designed to simultaneously locate entities and predict the class probability. By sharing parameters for locating and predicting, the framework can take full advantage of annotated data and enable more potent nonlinear function approximators to enhance model discriminability. Experiments demonstrate state-of-the-art performance for nested named entities\footnote{Our codes will be available at: \url{https://github.com/wuyuefei3/BR}}.
Abstract（参考訳）: 名前付きエンティティ(NE)の認識は、文中のNE候補のクラスタグを予測する分類問題として一般的に行われる。浅い構造では、分類された特徴は予測をサポートするために重み付けされる。ニューラルネットワークの最近の進歩は、特徴を連続表現に分類する深い構造を採用している。このアプローチは、高階抽象的セマンティック情報で飽和した高密度空間を広げ、予測は分散特徴表現に基づいて行われる。本稿では,文中のNEを見つけるために回帰演算を導入する。このアプローチでは、ディープネットワークはまず入力文を再帰的特徴マップに変換するように設計されている。境界ボックスは機能マップから生成され、ボックスはne候補の抽象表現である。クラスタグに加えて、各バウンディングボックスには、スタート位置とne候補の長さを示す2つのパラメータがある。トレーニングプロセスでは、境界ボックスと真のNEとの間の位置オフセットを学習し、位置損失を最小限に抑える。このモチベーションに基づいて、多目的学習フレームワークは、エンティティを同時に特定し、クラス確率を予測するように設計されている。同定と予測のためのパラメータを共有することで、フレームワークは注釈付きデータを最大限に活用し、より強力な非線形関数近似子によりモデルの識別性を高めることができる。実験はネストされた名前付きエンティティの最先端のパフォーマンスを示す。\footnote{our codes will be available at \url{https://github.com/wuyuefei3/br}}。

関連論文リスト

Clustering Inductive Biases with Unrolled Networks [4.47196217712431]
本稿では,2部グラフのラプラシア二次形式を通してスペクトルクラスタリングを行うために,潜在表現を暗黙的に局所的に整理したオートエンコーダアーキテクチャ(WLSC)を提案する。我々の正規化は、ある種の刺激のクラスに対する受容野の早期特殊化と解釈できることを示す。
論文参考訳（メタデータ） (2023-11-30T02:02:30Z)
Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
論文参考訳（メタデータ） (2023-01-03T13:51:51Z)
Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文参考訳（メタデータ） (2022-12-25T23:19:56Z)
Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
論文参考訳（メタデータ） (2022-01-09T09:07:48Z)
A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文参考訳（メタデータ） (2021-12-17T11:47:45Z)
Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with Coherent Embeddings [1.7188280334580195]
本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
論文参考訳（メタデータ） (2021-09-22T06:45:37Z)
Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文参考訳（メタデータ） (2020-11-06T12:17:01Z)
Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文参考訳（メタデータ） (2020-10-01T17:51:19Z)
Supervised Topological Maps [0.76146285961466]
ニューラルネットワークの内部表現空間を制御することは、教師付き方法で新しいデータを生成することができるため、望ましい特徴である。自己組織化マップ(SOM)から始まる一般化アルゴリズムを導出することにより、入力ストリームの低次元マッピングを構築しながら、これをどのように実現できるかを示す。
論文参考訳（メタデータ） (2020-08-14T14:30:16Z)
Explaining Predictions by Approximating the Local Decision Boundary [3.60160227126201]
局所決定境界近似(DBA)の新しい手法を提案する。我々は変分オートエンコーダを訓練し、符号化されたデータ表現のユークリッド潜在空間を学習する。我々は属性アノテーションを利用して、潜在空間をユーザにとって意味のある属性にマッピングします。
論文参考訳（メタデータ） (2020-06-14T19:12:42Z)
PushNet: Efficient and Adaptive Neural Message Passing [1.9121961872220468]
メッセージパッシングニューラルネットワークは、最近、グラフ上での表現学習に対する最先端のアプローチへと進化した。既存のメソッドは、複数のラウンドですべてのエッジに沿って同期メッセージパッシングを実行する。我々は、収束するまで最も関連性の高いエッジに沿ってのみ情報をプッシュする、新しい非同期メッセージパッシングアプローチについて検討する。
論文参考訳（メタデータ） (2020-03-04T18:15:30Z)

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。