論文の概要: SpanNer: Named Entity Re-/Recognition as Span Prediction

• arxiv url: http://arxiv.org/abs/2106.00641v1
• Date: Tue, 1 Jun 2021 17:11:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 16:13:01.409021
• Title: SpanNer: Named Entity Re-/Recognition as Span Prediction
• Title（参考訳）: SpanNer: エンティティの再認識をスパン予測に
• Authors: Jinlan Fu, Xuanjing Huang, Pengfei Liu
• Abstract要約: スパン予測モデルは名前付きエンティティ認識に使用される。 我々は11のデータセットに154のシステムを実験的に実装し、3つの言語をカバーした。 私たちのモデルはExplainaBoardプラットフォームにデプロイされました。
• 参考スコア（独自算出の注目度）: 62.66148736099347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent years have seen the paradigm shift of Named Entity Recognition (NER) systems from sequence labeling to span prediction. Despite its preliminary effectiveness, the span prediction model's architectural bias has not been fully understood. In this paper, we first investigate the strengths and weaknesses when the span prediction model is used for named entity recognition compared with the sequence labeling framework and how to further improve it, which motivates us to make complementary advantages of systems based on different paradigms. We then reveal that span prediction, simultaneously, can serve as a system combiner to re-recognize named entities from different systems' outputs. We experimentally implement 154 systems on 11 datasets, covering three languages, comprehensive results show the effectiveness of span prediction models that both serve as base NER systems and system combiners. We make all code and datasets available: \url{https://github.com/neulab/spanner}, as well as an online system demo: \url{http://spanner.sh}. Our model also has been deployed into the ExplainaBoard platform, which allows users to flexibly perform a system combination of top-scoring systems in an interactive way: \url{http://explainaboard.nlpedia.ai/leaderboard/task-ner/}.
• Abstract（参考訳）: 近年では、名前付きエンティティ認識(ner)システムのシーケンスラベリングからスパン予測へのパラダイムシフトが見られる。 予備的な効果にもかかわらず、スパン予測モデルのアーキテクチャバイアスは完全には理解されていない。 本稿では,名前付きエンティティ認識にスパン予測モデルを用いた場合の長所と短所について,シーケンスラベリングフレームワークと比較して検討し,その改善方法について検討する。 次に、スパン予測がシステムコンビネータとして機能し、異なるシステムの出力から名前付きエンティティを再認識できることを明らかにする。 3つの言語をカバーする11のデータセット上で154のシステムを実験的に実装し,ベースnerシステムとシステムコンビネータとして機能するスパン予測モデルの有効性を示した。 すべてのコードとデータセットを利用可能にする: \url{https://github.com/neulab/spanner} オンラインシステムのデモ: \url{https://spanner.sh} 。 私たちのモデルはExplainaBoardプラットフォームにもデプロイされており、ユーザはインタラクティブな方法でトップスコーリングシステムのシステム組み合わせを柔軟に実行することができます。

関連論文リスト

• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• From system models to class models: An in-context learning paradigm [0.0]
  本稿では,1段階の予測と複数段階のシミュレーションという2つの主要な課題に対処する,システム識別のための新しいパラダイムを提案する。 動的システムのクラスを表すメタモデルを学ぶ。 一段階の予測では、GPTのようなデコーダのみのアーキテクチャを使用し、シミュレーション問題ではエンコーダ-デコーダ構造を用いる。
  論文  参考訳（メタデータ） (2023-08-25T13:50:17Z)
• Cheap and Deterministic Inference for Deep State-Space Models of Interacting Dynamical Systems [38.23826389188657]
  本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。 予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。 我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
  論文  参考訳（メタデータ） (2023-05-02T20:30:23Z)
• Span-based Named Entity Recognition by Generating and Compressing Information [23.444967843156086]
  我々は,2種類のIBモデルを一つのシステムに統合し,名前付きエンティティ認識を強化することを提案する。 5つの異なるコーパスの実験は、生成モデルと情報圧縮モデルの両方を共同で訓練することで、ベースラインスパンベースのNERシステムの性能を向上させることを示唆している。
  論文  参考訳（メタデータ） (2023-02-10T17:40:51Z)
• Hybrid Rule-Neural Coreference Resolution System based on Actor-Critic Learning [53.73316523766183]
  コアレゾリューションシステムは2つの主要なタスクに取り組む必要がある。 ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。 本稿では,アクター・クリティカル・ラーニングに基づく複合ルール・ニューラル・コア参照解決システムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T08:55:47Z)
• Learning Audio-Visual embedding for Wild Person Verification [18.488385598522125]
  本稿では,融合の観点からアグリゲータを考慮した音声視覚ネットワークを提案する。 顔認証において初めて注意統計のプールを改良した。 最後に、モダリティをゲートアテンション機構で融合する。
  論文  参考訳（メタデータ） (2022-09-09T02:29:47Z)
• EXPLAINABOARD: An Explainable Leaderboard for NLP [69.59340280972167]
  ExplainaBoardはNLP評価の新たな概念化と実装である。 研究者は(i)一つのシステムの強みと弱さを診断し、(ii)複数のシステム間の関係を解釈することができる。
  論文  参考訳（メタデータ） (2021-04-13T17:45:50Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• ResNeSt: Split-Attention Networks [86.25490825631763]
  このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。 我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
  論文  参考訳（メタデータ） (2020-04-19T20:40:31Z)
• Parallel sequence tagging for concept recognition [0.0]
  名前付きエンティティ認識(NER)と正規化(NEN)は、バイオメディカルテキストのためのあらゆるテキストマイニングシステムの中核となるコンポーネントである。 従来の概念認識パイプラインでは、これらのタスクはシリアルな方法で結合される。 我々は,NER と NEN の両方をシーケンスラベルタスクとしてモデル化し,ソースコードを直接操作する並列アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-16T19:41:07Z)

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。