論文の概要: Pre-training to Match for Unified Low-shot Relation Extraction

• arxiv url: http://arxiv.org/abs/2203.12274v1
• Date: Wed, 23 Mar 2022 08:43:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 01:31:20.419163
• Title: Pre-training to Match for Unified Low-shot Relation Extraction
• Title（参考訳）: 統一低ショット関係抽出のための事前学習
• Authors: Fangchao Liu, Hongyu Lin, Xianpei Han, Boxi Cao, Le Sun
• Abstract要約: ローショット関係抽出は、サンプルがほとんど、あるいは全くない新しい関係を認識することを目的としている。 ローショットREとゼロショットREは2つの代表的なローショットREタスクである。 ローショット関係抽出を統一するマルチコースマッチングネットワークを提案する。
• 参考スコア（独自算出の注目度）: 37.625078897220305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-shot relation extraction~(RE) aims to recognize novel relations with very few or even no samples, which is critical in real scenario application. Few-shot and zero-shot RE are two representative low-shot RE tasks, which seem to be with similar target but require totally different underlying abilities. In this paper, we propose Multi-Choice Matching Networks to unify low-shot relation extraction. To fill in the gap between zero-shot and few-shot RE, we propose the triplet-paraphrase meta-training, which leverages triplet paraphrase to pre-train zero-shot label matching ability and uses meta-learning paradigm to learn few-shot instance summarizing ability. Experimental results on three different low-shot RE tasks show that the proposed method outperforms strong baselines by a large margin, and achieve the best performance on few-shot RE leaderboard.
• Abstract（参考訳）: 低ショット関係抽出~(re)は、非常に少ない、あるいは全くないサンプルで新しい関係を認識することを目的としている。 少ないショットとゼロショットREは2つの代表的ローショットREタスクであり、同じターゲットを持つように見えるが、全く異なる基盤能力を必要とする。 本稿では,低ショット関係抽出を統一するマルチチョイスマッチングネットワークを提案する。 ゼロショットと少数ショットREのギャップを埋めるために, ゼロショットラベルマッチング能力の事前学習に三重項パラフレーズを利用するメタトレーニングを提案し, メタラーニングパラダイムを用いて, 少数ショットインスタンスの要約能力を学習する。 3つの異なる低ショットREタスクの実験結果から,提案手法は強いベースラインを大きなマージンで上回り,少数ショットREリーダーボード上で最高の性能を発揮することが示された。

関連論文リスト

• Unified Speech Recognition: A Single Model for Auditory, Visual, and Audiovisual Inputs [73.74375912785689]
  本稿では,音声認識システムのための統合学習戦略を提案する。 3つのタスクの1つのモデルをトレーニングすることで、VSRとAVSRの性能が向上することを示す。 また,非ラベル標本をより効果的に活用するために,強欲な擬似ラベリング手法を導入する。
  論文  参考訳（メタデータ） (2024-11-04T16:46:53Z)
• Few-shot Prompting for Pairwise Ranking: An Effective Non-Parametric Retrieval Model [18.111868378615206]
  本稿では,複雑な訓練パイプラインを必要とせず,教師付きモデルに近い性能を達成できる一対数ショットローダを提案する。 また,複雑なトレーニングパイプラインを必要とせず,教師付きモデルに近い性能を実現する。
  論文  参考訳（メタデータ） (2024-09-26T11:19:09Z)
• Pseudo-triplet Guided Few-shot Composed Image Retrieval [20.040511832864503]
  Composed Image Retrieval (CIR)は、マルチモーダルクエリでターゲット画像を取得することを目的とした課題である。 PTG-FSCIRと呼ばれる2段階の擬似三重項誘導方式を提案する。 最初の段階では、純画像データから擬似三重項を生成するために、注意型マスキングとキャプションに基づく擬似三重項生成法を提案する。 第2段階では,3重項に基づく挑戦的CIR微調整法を提案し,擬似修正テキストに基づくサンプルの挑戦的スコア推定戦略を設計する。
  論文  参考訳（メタデータ） (2024-07-08T14:53:07Z)
• Continual Contrastive Finetuning Improves Low-Resource Relation Extraction [34.76128090845668]
  関係抽出は低リソースのシナリオやドメインでは特に困難である。 近年の文献は自己教師型学習によって低リソースREに取り組みつつある。 コントラスト学習の一貫した目的を用いたREモデルの事前学習と微調整を提案する。
  論文  参考訳（メタデータ） (2022-12-21T07:30:22Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• Few-shot Relational Reasoning via Connection Subgraph Pretraining [81.30830261527231]
  Connection Subgraph Reasoner (CSR) は、事前トレーニングを必要とせずに、ターゲットの少数ショットタスクを直接予測することができる。 私たちのフレームワークは、既存のメソッドに対して、目標とする数ショットタスクに対して、すでに競合的に実行可能です。
  論文  参考訳（メタデータ） (2022-10-13T04:35:14Z)
• A Sequence Tagging based Framework for Few-Shot Relation Extraction [5.536010796119412]
  リレーション抽出(Relation extract、RE)とは、入力テキスト中のリレーショントリプルを抽出することである。 本稿では,シーケンスタグ付け共同抽出手法に基づく数ショットREタスクの定義を提案し,そのタスクのための数ショットREフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:54:22Z)
• Semantic Compositional Learning for Low-shot Scene Graph Generation [122.51930904132685]
  多くのシーングラフ生成(SGG)モデルは、トレーニングに限定された注釈付き関係トリプルのみを使用する。 本稿では,新たな意味論的構成学習戦略を提案する。 最近の3つのSGGモデルでは、我々の戦略を追加することで、その性能が50%近く向上する。
  論文  参考訳（メタデータ） (2021-08-19T10:13:55Z)
• Any-Shot Object Detection [81.88153407655334]
  「アニーショット検出」とは、全く見えず、数発のカテゴリが推論中に同時に共起できる場所である。 我々は、ゼロショットと少数ショットの両方のオブジェクトクラスを同時に検出できる、統合された任意のショット検出モデルを提案する。 我々のフレームワークは、ゼロショット検出とFewショット検出タスクにのみ使用できる。
  論文  参考訳（メタデータ） (2020-03-16T03:43:15Z)

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。