論文の概要: Improving Span Representation for Domain-adapted Coreference Resolution

• arxiv url: http://arxiv.org/abs/2109.09811v1
• Date: Mon, 20 Sep 2021 19:41:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 03:24:26.687005
• Title: Improving Span Representation for Domain-adapted Coreference Resolution
• Title（参考訳）: ドメイン適応型参照解決のためのスパン表現の改善
• Authors: Nupoor Gandhi, Anjalie Field, Yulia Tsvetkov
• Abstract要約: 我々は、新しいドメインにコア参照モデルをより効率的に適用するための概念知識の利用を提案する。 エンドツーエンドのコア参照モデルに知識を組み込むことで、最も困難なドメイン固有のスパン上でのパフォーマンスが向上することを示す。
• 参考スコア（独自算出の注目度）: 19.826381727568222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has shown fine-tuning neural coreference models can produce strong performance when adapting to different domains. However, at the same time, this can require a large amount of annotated target examples. In this work, we focus on supervised domain adaptation for clinical notes, proposing the use of concept knowledge to more efficiently adapt coreference models to a new domain. We develop methods to improve the span representations via (1) a retrofitting loss to incentivize span representations to satisfy a knowledge-based distance function and (2) a scaffolding loss to guide the recovery of knowledge from the span representation. By integrating these losses, our model is able to improve our baseline precision and F-1 score. In particular, we show that incorporating knowledge with end-to-end coreference models results in better performance on the most challenging, domain-specific spans.
• Abstract（参考訳）: 近年の研究では、微調整されたニューラルネットワークコリファレンスモデルが、異なるドメインに適応する際に強いパフォーマンスをもたらすことが示されている。 しかし、同時に、これは大量の注釈付き対象例を必要とする可能性がある。 そこで本研究では,新たなドメインにコア推論モデルをより効率的に適用するための概念知識の利用を提案する。 1) 知識に基づく距離関数を満たすためにスパン表現をインセンティブ化するためのレトロフィッティング損失と, (2)スパン表現から知識の回復を導く足場損失とを用いてスパン表現を改善する手法を開発した。 これらの損失を統合することで、ベースライン精度とF-1スコアを改善することができる。 特に、エンド・ツー・エンドのコリファレンスモデルに知識を組み込むことで、最も挑戦的なドメイン固有スパンのパフォーマンスが向上することを示す。

関連論文リスト

• PiPa++: Towards Unification of Domain Adaptive Semantic Segmentation via Self-supervised Learning [34.786268652516355]
  教師なしドメイン適応セグメンテーションは、それらのドメインのラベル付きデータに頼ることなく、ターゲットドメイン上のモデルのセグメンテーション精度を向上させることを目的としている。 ソースドメイン(ラベル付きデータが利用可能な場所)とターゲットドメイン(ラベルなしデータのみが存在する場所)の特徴表現の整合を図る。
  論文  参考訳（メタデータ） (2024-07-24T08:53:29Z)
• Domain-incremental Cardiac Image Segmentation with Style-oriented Replay and Domain-sensitive Feature Whitening [67.6394526631557]
  M&Mは、各受信データセットから漸進的に学習し、時間が経つにつれて改善された機能で漸進的に更新する必要がある。 医学的シナリオでは、データのプライバシのため、過去のデータへのアクセスや保存が一般的に許可されないため、これは特に困難である。 本稿では,まず過去のドメイン入力を復元し,モデル最適化中に定期的に再生する新しいドメイン増分学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T13:07:36Z)
• Mention Annotations Alone Enable Efficient Domain Adaptation for Coreference Resolution [8.08448832546021]
  注釈付けだけでは、注釈付けが完全なコア参照チェーンの約2倍の速さであることを示す。 提案手法はアノテーション効率を向上し,アノテータ時間の増加を伴わずにF1の平均値が7～14%向上する。
  論文  参考訳（メタデータ） (2022-10-14T07:57:27Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• Pixel-Level Cycle Association: A New Perspective for Domain Adaptive Semantic Segmentation [169.82760468633236]
  本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。 我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
  論文  参考訳（メタデータ） (2020-10-31T00:11:36Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)
• Learning to adapt class-specific features across domains for semantic segmentation [36.36210909649728]
  本論文では,クラス情報毎に考慮し,ドメイン間の特徴を適応させることを学習する新しいアーキテクチャを提案する。 我々は最近導入されたStarGANアーキテクチャを画像翻訳のバックボーンとして採用している。
  論文  参考訳（メタデータ） (2020-01-22T23:51:30Z)

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。