Fugu-MT 論文翻訳(概要): Nested and Balanced Entity Recognition using Multi-Task Learning

論文の概要: Nested and Balanced Entity Recognition using Multi-Task Learning

arxiv url: http://arxiv.org/abs/2106.06216v1
Date: Fri, 11 Jun 2021 07:52:32 GMT
ステータス: 処理完了
システム内更新日: 2021-06-14 14:25:22.063217
Title: Nested and Balanced Entity Recognition using Multi-Task Learning
Title（参考訳）: マルチタスク学習を用いたNested and Balanced Entity Recognition
Authors: Andreas Waldis and Luca Mazzola
Abstract要約: 本稿では,重複するケースとネストされたケースの複雑さを扱う部分層ネットワークアーキテクチャを提案する。私たちは、概念(CR)と名前付きエンティティ(NER)という2種類のエンティティを認識するために、このアーキテクチャを訓練し、評価します。提案手法は最先端のNER性能を実現し,従来のCR手法よりも優れていた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Entity Recognition (ER) within a text is a fundamental exercise in Natural Language Processing, enabling further depending tasks such as Knowledge Extraction, Text Summarisation, or Keyphrase Extraction. An entity consists of single words or of a consecutive sequence of terms, constituting the basic building blocks for communication. Mainstream ER approaches are mainly limited to flat structures, concentrating on the outermost entities while ignoring the inner ones. This paper introduces a partly-layered network architecture that deals with the complexity of overlapping and nested cases. The proposed architecture consists of two parts: (1) a shared Sequence Layer and (2) a stacked component with multiple Tagging Layers. The adoption of such an architecture has the advantage of preventing overfit to a specific word-length, thus maintaining performance for longer entities despite their lower frequency. To verify the proposed architecture's effectiveness, we train and evaluate this architecture to recognise two kinds of entities - Concepts (CR) and Named Entities (NER). Our approach achieves state-of-the-art NER performances, while it outperforms previous CR approaches. Considering these promising results, we see the possibility to evolve the architecture for other cases such as the extraction of events or the detection of argumentative components.
Abstract（参考訳）: テキスト内のエンティティ認識(ER)は自然言語処理の基本的な課題であり、知識抽出、テキスト要約、キーワード抽出といったタスクに依存することができる。エンティティは単一の単語または連続した単語の列で構成され、通信の基本構成要素を構成する。メインストリームERアプローチは主に平坦な構造に限られており、内部を無視しながら最外側のエンティティに集中している。本稿では,重ね合わせとネスト化の複雑さを扱う部分層ネットワークアーキテクチャを提案する。提案するアーキテクチャは,(1)共有シーケンス層と(2)複数のタグ付け層を持つスタックコンポーネントの2つの部分からなる。このようなアーキテクチャの採用は、特定の単語長に対する過度な適合を防止し、低い周波数にもかかわらず長いエンティティのパフォーマンスを維持するという利点がある。提案アーキテクチャの有効性を検証するため,概念(CR)と名前付きエンティティ(NER)の2種類の実体を認識するために,このアーキテクチャを訓練し,評価する。提案手法は最先端のNER性能を実現し,従来のCR手法よりも優れていた。これらの有望な結果を考えると、イベントの抽出や議論的なコンポーネントの検出など、他のケースでアーキテクチャを進化させる可能性を見出します。

関連論文リスト

Task Agnostic Architecture for Algorithm Induction via Implicit Composition [10.627575117586417]
本研究の目的は,このような統一アーキテクチャの構築を探求することであり,その構築方法に関する理論的枠組みを提案することである。最近のジェネレーティブAI、特にトランスフォーマーベースのモデルは、幅広い領域のアルゴリズムを構築することができるアーキテクチャとしての可能性を示している。アルゴリズム合成におけるトランスフォーマーおよび他の手法の現在の機能と限界について検討する。
論文参考訳（メタデータ） (2024-04-03T04:31:09Z)
Named Entity Recognition via Machine Reading Comprehension: A Multi-Task Learning Approach [50.12455129619845]
Named Entity Recognition (NER) は、テキスト内のエンティティの参照を事前に定義された型に抽出し、分類することを目的としている。我々は,MRCベースのNERを改善するために,エンティティタイプ間のラベル依存性をマルチタスク学習フレームワークに組み込むことを提案する。
論文参考訳（メタデータ） (2023-09-20T03:15:05Z)
Semantics-Aware Dynamic Localization and Refinement for Referring Image Segmentation [102.25240608024063]
画像の参照は、言語表現からのイメージセグメントを参照する。そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。比較すると,本手法はより汎用的で有効である。
論文参考訳（メタデータ） (2023-03-11T08:42:40Z)
Few-Shot Nested Named Entity Recognition [4.8693196802491405]
本論文は,数発のネストNERタスクを研究対象とする最初の論文である。本稿では、コンテキスト依存を学習し、ネストしたエンティティを識別するためのBiaffine-based Contrastive Learning (BCL)フレームワークを提案する。 BCLはF1スコアで1ショットと5ショットの3つのベースラインモデルを上回った。
論文参考訳（メタデータ） (2022-12-02T03:42:23Z)
ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
学術論文からN-ary関係を抽出する問題について考察する。提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
論文参考訳（メタデータ） (2022-10-26T02:28:02Z)
A Unified Architecture of Semantic Segmentation and Hierarchical Generative Adversarial Networks for Expression Manipulation [52.911307452212256]
セマンティックセグメンテーションと階層的GANの統一アーキテクチャを開発する。我々のフレームワークのユニークな利点は、将来的なセマンティックセグメンテーションネットワーク条件を生成モデルに渡すことである。我々は,AffectNetとRaFDの2つの難解な表情翻訳ベンチマークとセマンティックセグメンテーションベンチマークであるCelebAMask-HQについて評価を行った。
論文参考訳（メタデータ） (2021-12-08T22:06:31Z)
BoningKnife: Joint Entity Mention Detection and Typing for Nested NER via prior Boundary Knowledge [1.5149438988761574]
ネストされたNER抽出および認識タスクをよりよく扱うために,境界知識(BoningKnife)を介して検出およびタイピングモデルに言及する共同エンティティを提案する。 BoningKnifeはMentionTaggerとTypeClassifierの2つのモジュールで構成されている。異なるデータセットに対する実験により、我々の手法は従来の手法よりも優れており、ACE2004、ACE2005、NNEの86.41、85.46、94.2のF1スコアが達成されている。
論文参考訳（メタデータ） (2021-07-20T11:44:36Z)
Recurrent Neural Networks with Mixed Hierarchical Structures for Natural Language Processing [13.960152426268767]
階層構造は言語処理と自然言語処理の両方に存在している。自然言語の階層的表現を学習するためにRNNを設計する方法は、長年にわたる課題である。本稿では,静的境界と動的境界という2種類の境界を定義し,文書分類タスクのための多層階層構造を構築する。
論文参考訳（メタデータ） (2021-06-04T15:50:42Z)
Boosting Span-based Joint Entity and Relation Extraction via Squence Tagging Mechanism [10.894755638322]
Spanベースの関節抽出は、テキストスパン形式で名前付きエンティティ認識(NER)と関係抽出(RE)を同時に行う。近年の研究では、トークンラベルは重要なタスク固有の情報を伝達し、トークンのセマンティクスを豊かにすることができることが示されている。本稿では,Span-based Network(STSN)を提案する。これはSpan-based joint extrac-tion Networkで,トークンBIOラベル情報によって拡張されている。
論文参考訳（メタデータ） (2021-05-21T01:10:03Z)
Probing Linguistic Features of Sentence-Level Representations in Neural Relation Extraction [80.38130122127882]
ニューラルリレーション抽出(RE)に関連する言語特性を対象とした14の探索タスクを導入する。私たちは、40以上の異なるエンコーダアーキテクチャと2つのデータセットでトレーニングされた言語的特徴の組み合わせによって学習された表現を研究するためにそれらを使用します。アーキテクチャによって引き起こされるバイアスと言語的特徴の含意は、探索タスクのパフォーマンスにおいて明らかに表現されている。
論文参考訳（メタデータ） (2020-04-17T09:17:40Z)
A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。