論文の概要: Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention

• arxiv url: http://arxiv.org/abs/2202.05943v1
• Date: Sat, 12 Feb 2022 00:32:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 14:14:07.170261
• Title: Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention
• Title（参考訳）: コントラストロス強化バッチ注意による半教師付き新しいイベント型誘導と記述
• Authors: Carl Edwards and Heng Ji
• Abstract要約: マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。 私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
• 参考スコア（独自算出の注目度）: 56.46649994444616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most event extraction methods have traditionally relied on an annotated set of event types. However, creating event ontologies and annotating supervised training data are expensive and time-consuming. Previous work has proposed semi-supervised approaches which leverage seen (annotated) types to learn how to automatically discover new event types. State-of-the-art methods, both semi-supervised or fully unsupervised, use a form of reconstruction loss on specific tokens in a context. In contrast, we present a novel approach to semi-supervised new event type induction using a masked contrastive loss, which learns similarities between event mentions by enforcing an attention mechanism over the data minibatch. We further disentangle the discovered clusters by approximating the underlying manifolds in the data, which allows us to increase normalized mutual information and Fowlkes-Mallows scores by over 20% absolute. Building on these clustering results, we extend our approach to two new tasks: predicting the type name of the discovered clusters and linking them to FrameNet frames.
• Abstract（参考訳）: ほとんどのイベント抽出メソッドは、伝統的にアノテーション付きイベントタイプのセットに依存している。 しかし、イベントオントロジーの作成や教師付きトレーニングデータのアノテートは高価で時間を要する。 従来の研究では、新しいイベントタイプを自動的に発見する方法を学ぶために、(注釈付き)表示型を活用した半教師付きアプローチが提案されていた。 state-of-the-artメソッドは、半教師または完全に教師なしの両方で、コンテキスト内の特定のトークンに対する再構成損失の形式を使用する。 対照的に,データミニバッチ上で注意機構を強制することにより,事象言及間の類似性を学習するマスク付きコントラスト損失を用いた,半教師付き新しいイベント型誘導手法を提案する。 さらに,データの基盤となる多様体を近似することにより,相互情報の正規化を図り,絶対値の20%以上のfowlkes-mallowスコアを得ることができた。 これらのクラスタリング結果に基づいて、発見されたクラスタの型名を予測し、FrameNetフレームにリンクする2つの新しいタスクにアプローチを拡張します。

関連論文リスト

• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• A Clustering Framework for Unsupervised and Semi-supervised New Intent Discovery [25.900661912504397]
  我々は、教師なしおよび半教師なしの新しい意図発見のための新しいクラスタリングフレームワークUSNIDを提案する。 まず、教師なしまたは半教師なしのデータをフル活用して、浅いセマンティック類似性関係を抽出する。 第2に、クラスタ割り当ての不整合の問題に対処するために、セントロイド誘導クラスタリング機構を設計する。 第3に、教師なしまたは半教師付きデータの高レベルなセマンティクスをキャプチャして、きめ細かい意図的クラスタを見つける。
  論文  参考訳（メタデータ） (2023-04-16T05:30:42Z)
• Leveraging triplet loss for unsupervised action segmentation [0.0]
  本稿では,アクションセグメンテーションタスクに適したアクション表現を,単一入力ビデオ自体から学習する,完全に教師なしのフレームワークを提案する。 本手法は,三重項損失が類似度分布に作用する浅層ネットワークに根ざした深部距離学習手法である。 このような状況下では、既存の教師なしアプローチと比較して、学習された行動表現の時間的境界を高い品質で回復することに成功した。
  論文  参考訳（メタデータ） (2023-04-13T11:10:16Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• An Information-theoretical Approach to Semi-supervised Learning under Covariate-shift [24.061858945664856]
  半教師あり学習における一般的な前提は、ラベル付き、ラベルなし、テストデータが同じ分布から引き出されることである。 本稿では,この問題に対処可能な半教師付き学習アルゴリズムを提案する。 また,このフレームワークはエントロピーの最小化や擬似ラベル付けなど,一般的な手法を復元する。
  論文  参考訳（メタデータ） (2022-02-24T14:25:14Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Unsupervised Event Detection, Clustering, and Use Case Exposition in Micro-PMU Measurements [0.0]
  我々はGAN(Generative Adversarial Networks)の概念に基づく教師なしイベント検出手法を開発した。 また,線形混合整数計画法に基づく2段階のアン教師なしクラスタリング手法を提案する。 結果から,本研究で広く普及している手法に勝るものであることが示唆された。
  論文  参考訳（メタデータ） (2020-07-30T05:20:29Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)
• Extensively Matching for Few-shot Learning Event Detection [66.31312496170139]
  超視覚的な学習設定下でのイベント検出モデルは、新しいイベントタイプへの転送に失敗する。 イベント検出では、あまり画像学習は行われていない。 sup-port の例にマッチする2つのノベルロス因子を提案し,モデルにより多くのトレーニング信号を与える。
  論文  参考訳（メタデータ） (2020-06-17T18:30:30Z)

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。