論文の概要: Deep Neural Network Based Relation Extraction: An Overview

• arxiv url: http://arxiv.org/abs/2101.01907v2
• Date: Sun, 7 Feb 2021 19:13:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 05:59:00.006437
• Title: Deep Neural Network Based Relation Extraction: An Overview
• Title（参考訳）: ディープニューラルネットワークに基づく関係抽出:概観
• Authors: Hailin Wang, Ke Qin, Rufai Yusuf Zakari, Guoming Lu, Jin Yin
• Abstract要約: 関係抽出(RE)は自然言語処理(NLP)において重要な役割を果たします。 その目的は自然言語テキストからエンティティ間の意味関係を特定することである。 Deep Neural Networks (DNN) は RE のための最も普及した、信頼できる解決です。
• 参考スコア（独自算出の注目度）: 2.8436446946726552
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Knowledge is a formal way of understanding the world, providing a human-level cognition and intelligence for the next-generation artificial intelligence (AI). One of the representations of knowledge is semantic relations between entities. An effective way to automatically acquire this important knowledge, called Relation Extraction (RE), a sub-task of information extraction, plays a vital role in Natural Language Processing (NLP). Its purpose is to identify semantic relations between entities from natural language text. To date, there are several studies for RE in previous works, which have documented these techniques based on Deep Neural Networks (DNNs) become a prevailing technique in this research. Especially, the supervised and distant supervision methods based on DNNs are the most popular and reliable solutions for RE. This article 1) introduces some general concepts, and further 2) gives a comprehensive overview of DNNs in RE from two points of view: supervised RE, which attempts to improve the standard RE systems, and distant supervision RE, which adopts DNNs to design sentence encoder and de-noise method. We further 3) cover some novel methods and recent trends as well as discuss possible future research directions for this task.
• Abstract（参考訳）: 知識は世界を理解するための正式な方法であり、次世代人工知能(AI)のための人間レベルの認知と知性を提供する。 知識の表現の1つは、エンティティ間の意味関係である。 情報抽出のサブタスクである関係抽出(RE)と呼ばれるこの重要な知識を自動的に取得する効果的な方法は、自然言語処理(NLP)において重要な役割を果たす。 その目的は自然言語テキストからエンティティ間の意味関係を特定することである。 これまでの研究では、ディープニューラルネットワーク(dnn)に基づくこれらのテクニックを文書化したreについて、いくつかの研究がなされている。 特に、DNNに基づく監視・遠隔監視手法は、REにとって最も人気があり信頼性の高いソリューションである。 1) 一般的な概念をいくつか紹介するとともに, 2) 標準reシステムの改善を目指す教師付きreと,文エンコーダの設計にdnnを採用する遠方監視reという2つの視点から,reにおけるdnnの包括的概要を述べる。 さらに,新しい手法や最近の動向を取り上げ,今後の研究の方向性について論じる。

関連論文リスト

• Unveiling Ontological Commitment in Multi-Modal Foundation Models [7.485653059927206]
  ディープニューラルネットワーク(DNN)は、概念の豊かな表現とそれぞれの推論を自動的に学習する。 そこで本研究では,葉柄概念の集合に対してマルチモーダルDNNから学習したスーパークラス階層を抽出する手法を提案する。 最初の評価研究では、最先端基礎モデルから有意義な存在論的階級階層を抽出できることが示されている。
  論文  参考訳（メタデータ） (2024-09-25T17:24:27Z)
• Topological Representations of Heterogeneous Learning Dynamics of Recurrent Spiking Neural Networks [16.60622265961373]
  スパイキングニューラルネットワーク(SNN)は神経科学と人工知能において重要なパラダイムとなっている。 近年,深層ニューラルネットワークのネットワーク表現について研究が進められている。
  論文  参考訳（メタデータ） (2024-03-19T05:37:26Z)
• A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers [76.51245425667845]
  関係抽出(RE)は、基礎となるコンテンツからエンティティ間の関係を識別する。 ディープニューラルネットワークはREの分野を支配しており、顕著な進歩を遂げている。 この調査は、現実世界のREシステムの課題に対処するための研究者の協力的な取り組みを促進することが期待されている。
  論文  参考訳（メタデータ） (2023-06-03T08:39:25Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• exploRNN: Understanding Recurrent Neural Networks through Visual Exploration [6.006493809079212]
  リカレントニューラルネットワーク(RNN)は、シーケンシャルデータを処理することができる。 本稿では,RNNのための対話型学習可視化である ExploRNN を提案する。 LSTM細胞内のデータフローの詳細な検査を可能にするとともに、粗いレベルでRNNのトレーニングプロセスの概要を提供します。
  論文  参考訳（メタデータ） (2020-12-09T15:06:01Z)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• Architecture Disentanglement for Deep Neural Networks [174.16176919145377]
  ディープニューラルネットワーク(DNN)の内部動作を説明するために,ニューラルアーキテクチャ・ディコンタングルメント(NAD)を導入する。 NADは、訓練済みのDNNを独立したタスクに従ってサブアーキテクチャに切り離すことを学び、推論プロセスを記述する情報フローを形成する。 その結果、誤分類された画像は、タスクサブアーキテクチャーに正しいサブアーキテクチャーに割り当てられる確率が高いことが示された。
  論文  参考訳（メタデータ） (2020-03-30T08:34:33Z)
• DEPARA: Deep Attribution Graph for Deep Knowledge Transferability [91.06106524522237]
  本稿では,PR-DNNから学んだ知識の伝達可能性を検討するために,DreP Attribution gRAph (DEPARA)を提案する。 DEPARAでは、ノードは入力に対応し、PR-DNNの出力に関してベクトル化された属性マップで表現される。 2つのPR-DNNの知識伝達性は、対応するDEPARAの類似性によって測定される。
  論文  参考訳（メタデータ） (2020-03-17T02:07:50Z)

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。