論文の概要: Deep Neural Approaches to Relation Triplets Extraction: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2103.16929v1
• Date: Wed, 31 Mar 2021 09:27:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 14:39:03.392391
• Title: Deep Neural Approaches to Relation Triplets Extraction: A Comprehensive Survey
• Title（参考訳）: リレーショナルトリプレット抽出へのディープニューラルアプローチ:包括的調査
• Authors: Tapas Nayak and Navonil Majumder and Pawan Goyal and Soujanya Poria
• Abstract要約: 我々は、公開データセット上のディープニューラルネットワークを用いた関係抽出に焦点を当てる。 文レベルの関係抽出,文書レベルの関係抽出,パイプラインによる共同抽出アプローチ,注釈付きデータセット,遠隔教師付きデータセットなどについて述べる。 本稿では,ニューラルネットワークについて,畳み込みモデル,リカレントネットワークモデル,アテンションネットワークモデル,グラフ畳み込みモデルについて報告する。
• 参考スコア（独自算出の注目度）: 22.586079965178975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, with the advances made in continuous representation of words (word embeddings) and deep neural architectures, many research works are published in the area of relation extraction and it is very difficult to keep track of so many papers. To help future research, we present a comprehensive review of the recently published research works in relation extraction. We mostly focus on relation extraction using deep neural networks which have achieved state-of-the-art performance on publicly available datasets. In this survey, we cover sentence-level relation extraction to document-level relation extraction, pipeline-based approaches to joint extraction approaches, annotated datasets to distantly supervised datasets along with few very recent research directions such as zero-shot or few-shot relation extraction, noise mitigation in distantly supervised datasets. Regarding neural architectures, we cover convolutional models, recurrent network models, attention network models, and graph convolutional models in this survey.
• Abstract（参考訳）: 近年、単語の連続表現(単語埋め込み)やディープニューラルアーキテクチャ(deep neural architectures)の進歩により、関係抽出の分野で多くの研究成果が公表され、多くの論文の追跡が困難になっている。 今後の研究を支援するため,最近発表された関係抽出研究の総合的なレビューを紹介する。 一般に入手可能なデータセットで最先端のパフォーマンスを達成したディープニューラルネットワークを用いた関係抽出に重点を置いている。 本研究では,文書レベル関係抽出に対する文レベルの関係抽出,統合抽出アプローチへのパイプラインベースアプローチ,遠隔教師付きデータセットへの注釈付きデータセット,ゼロショットや少数ショット関係抽出,遠隔教師付きデータセットにおけるノイズ緩和といった最近の研究方向について述べる。 本稿では,ニューラルネットワークについて,畳み込みモデル,リカレントネットワークモデル,アテンションネットワークモデル,グラフ畳み込みモデルについて報告する。

関連論文リスト

• Maximizing Relation Extraction Potential: A Data-Centric Study to Unveil Challenges and Opportunities [3.8087810875611896]
  本稿では,ニューラルリレーション抽出を阻害するデータ中心特性について検討する。 それは、文脈の曖昧さ、関係関係の関連、長い尾のデータ、きめ細かい関係の分布など、重要な問題を強調している。 これらの問題を緩和するための将来の方向性を示すマーカーをセットし、初心者や先進的な研究者にとって重要なリソースであることを証明している。
  論文  参考訳（メタデータ） (2024-09-07T23:40:47Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Automatic Discovery of Visual Circuits [66.99553804855931]
  本稿では,視覚モデルにおける視覚的概念の認識の基盤となる計算グラフのサブグラフを抽出するスケーラブルな手法について検討する。 提案手法は, モデル出力に因果的に影響を及ぼす回路を抽出し, これらの回路を編集することで, 敵攻撃から大きな事前学習モデルを守ることができることがわかった。
  論文  参考訳（メタデータ） (2024-04-22T17:00:57Z)
• Relational Extraction on Wikipedia Tables using Convolutional and Memory Networks [6.200672130699805]
  関係抽出(Relation extract、RE)は、テキスト内のエンティティ間の関係を抽出するタスクである。 我々は、エンティティをエンコードするために、畳み込みニューラルネットワーク(CNN)とBidirectional-Long Short Term Memory(BiLSTM)ネットワークからなる新しいモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-11T22:36:47Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
  ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。 本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2021-07-05T16:32:45Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• WebRED: Effective Pretraining And Finetuning For Relation Extraction On The Web [4.702325864333419]
  WebREDは、World Wide Webで見つかったテキストから関係を抽出するための強く監視された人間の注釈付きデータセットです。 弱教師付きデータセットの事前学習と、教師付きデータセットの微調整を組み合わせることで、関係抽出性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-18T23:56:12Z)
• RH-Net: Improving Neural Relation Extraction via Reinforcement Learning and Hierarchical Relational Searching [2.1828601975620257]
  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。
  論文  参考訳（メタデータ） (2020-10-27T12:50:27Z)
• 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)
• Exploration and Discovery of the COVID-19 Literature through Semantic Visualization [9.687961759392559]
  我々は,大規模な関係データセット上での探索と発見を可能にする意味可視化技術を開発している。 私たちの希望は、そうでなければ気づかないような複雑なデータの関連性に関する新しい推論を発見できることです。
  論文  参考訳（メタデータ） (2020-07-03T16:40:37Z)

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。