Fugu-MT 論文翻訳(概要): Low-Resource Named Entity Recognition Based on Multi-hop Dependency Trigger

論文の概要: Low-Resource Named Entity Recognition Based on Multi-hop Dependency Trigger

arxiv url: http://arxiv.org/abs/2109.07118v1
Date: Wed, 15 Sep 2021 07:00:40 GMT
ステータス: 処理完了
システム内更新日: 2021-09-16 15:20:12.576809
Title: Low-Resource Named Entity Recognition Based on Multi-hop Dependency Trigger
Title（参考訳）: マルチホップ依存トリガーに基づく低リソース名前付きエンティティ認識
Authors: Jiangxu Wu
Abstract要約: 本稿では,マルチホップ依存トリガに基づく低リソースなエンティティ認識(NER)において,シンプルかつ効果的なアプローチを提案する。我々の主な観察は、文中の実体の位置と種類を認識する上で重要な役割を果たすトリガーがしばしば存在することである。
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: This paper presents a simple and effective approach in low-resource named entity recognition (NER) based on multi-hop dependency trigger. Dependency trigger refer to salient nodes relative to a entity in the dependency graph of a context sentence. Our main observation is that there often exists trigger which play an important role to recognize the location and type of entity in sentence. Previous research has used manual labelling of trigger. Our main contribution is to propose use a syntactic parser to automatically annotate trigger. Experiments on two English datasets (CONLL 2003 and BC5CDR) show that the proposed method is comparable to the previous trigger-based NER model.
Abstract（参考訳）: 本稿では,マルチホップ依存トリガに基づく低リソースなエンティティ認識(NER)において,シンプルかつ効果的なアプローチを提案する。依存性トリガは、コンテキスト文の依存関係グラフ内のエンティティに対するサルエントノードを参照する。我々の主な観察は、文中の実体の位置や種類を認識する上で重要な役割を果たすトリガーが存在することである。これまでの研究ではトリガーの手動ラベリングを使用してきた。私たちの主な貢献は、自動アノテートトリガに構文パーサを使うことです。 2つの英語データセット(CONLL 2003 と BC5CDR)の実験により、提案手法は以前のトリガーベース NER モデルに匹敵することを示した。

関連論文リスト

Are Triggers Needed for Document-Level Event Extraction? [16.944314894087075]
我々は,文書レベルのイベント抽出において,より困難で研究の少ない作業に対するトリガーの役割を初めて調査する。 3つの文書レベルのイベント抽出データセットに対して、複数のエンドツーエンドおよびパイプライン化されたニューラルイベント抽出モデルでそれらの有用性を分析する。我々の研究では、トリガーの有効性は、抽出タスクの特徴とデータ品質によって異なり、基本的で自動生成トリガーは、人間のアノテーションに代えて実行可能な代替品として機能することを示している。
論文参考訳（メタデータ） (2024-11-13T15:50:38Z)
DeLR: Active Learning for Detection with Decoupled Localization and Recognition Query [53.54802901197267]
本稿では,物体検出のための2つの重要な要素,すなわち局所化と認識を再考する。そこで本研究では,アクティブクエリの局所化と認識をデカップリングする,効率的なクエリ戦略を提案する。
論文参考訳（メタデータ） (2023-12-28T09:58:32Z)
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)
Trigger-GNN: A Trigger-Based Graph Neural Network for Nested Named Entity Recognition [5.9049664765234295]
ネストしたNERを利用するトリガーベースグラフニューラルネットワーク(Trigger-GNN)を提案する。エンティティトリガーエンコーディングとセマンティックマッチングを通じて補完的なアノテーション埋め込みを得る。モデルはより効率的に、費用対効果で学習し、一般化するのに役立ちます。
論文参考訳（メタデータ） (2022-04-12T04:15:39Z)
AutoTriggER: Label-Efficient and Robust Named Entity Recognition with Auxiliary Trigger Extraction [54.20039200180071]
我々は,エンティティトリガの自動生成と活用によるNER性能向上のための新しいフレームワークを提案する。筆者らのフレームワークは,ポストホックな説明を活用して合理的な知識を生成し,埋め込み手法を用いてモデルの事前知識を強化する。 AutoTriggERは強力なラベル効率を示し、目に見えないエンティティを一般化し、RoBERTa-CRFベースラインを平均0.5F1ポイント上回る性能を持つ。
論文参考訳（メタデータ） (2021-09-10T08:11:56Z)
TREND: Trigger-Enhanced Relation-Extraction Network for Dialogues [37.883583724569554]
本稿では,関係抽出を改善するためのトリガの同定を学習するマルチタスクBERTモデルTRENDを提案する。実験結果から,提案手法がベンチマークデータセットの最先端性を達成できることが示唆された。
論文参考訳（メタデータ） (2021-08-31T13:04:08Z)
Resource-Enhanced Neural Model for Event Argument Extraction [28.812507794694543]
イベント引数抽出は、イベントの引数を特定し、それらの引数が果たす役割を分類することを目的としている。本稿では,複数種類のトリガ依存シーケンス表現を持つトリガ対応シーケンスエンコーダを提案する。 ACE2005ベンチマーク実験により,本手法が新たな最先端技術を実現することを示す。
論文参考訳（メタデータ） (2020-10-06T21:00:54Z)
Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-10T07:50:44Z)
Unsupervised Transfer of Semantic Role Models from Verbal to Nominal Domain [65.04669567781634]
そこで本研究では,目的の名詞領域のラベル付きデータのみを用いて,目的の名詞領域のロールアノテートデータを仮定するトランスファーシナリオについて検討する。我々の重要な前提は、二つの領域間の移動を可能にすることであり、ある役割の選択的選好は、その関係が動詞または名詞によって引き起こされるかどうかに強く依存しないということである。この手法は、英語のCoNLL-2009データセットに基づいて、教師なしや直接転送などのベースラインを大幅に上回る。
論文参考訳（メタデータ） (2020-05-01T09:20:48Z)
TriggerNER: Learning with Entity Triggers as Explanations for Named Entity Recognition [42.984048204280676]
我々は、NERモデルのラベル効率の学習を容易にするために、人間による説明の効果的なプロキシである「エンタリティトリガー」を導入する。私たちは2つのよく研究されたNERデータセットに対して、14kエンティティトリガをクラウドソースしました。提案モデルであるTrigger Matching Networkは,自己注意によるトリガー表現とソフトマッチングモジュールを共同で学習する。
論文参考訳（メタデータ） (2020-04-16T07:27:43Z)

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。