論文の概要: Robust Self-Augmentation for Named Entity Recognition with Meta Reweighting

• arxiv url: http://arxiv.org/abs/2204.11406v2
• Date: Wed, 27 Apr 2022 01:10:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 11:02:18.065083
• Title: Robust Self-Augmentation for Named Entity Recognition with Meta Reweighting
• Title（参考訳）: メタ重み付けを用いた名前付きエンティティ認識のためのロバスト自己提示
• Authors: Linzhi Wu, Pengjun Xie, Jie Zhou, Meishan Zhang, Chunping Ma, Guangwei Xu, Min Zhang
• Abstract要約: トークン置換とミックスアップは、名前付きエンティティ認識のための2つの実現可能なヘテロジニアス自己拡張技術である。 自然統合を実現するために,これらの不均一な手法の統一的メタリウェイト化戦略を提案する。
• 参考スコア（独自算出の注目度）: 38.96206257643347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-augmentation has been received increasing research interest recently to improve named entity recognition (NER) performance in low-resource scenarios. Token substitution and mixup are two feasible heterogeneous self-augmentation techniques for NER that can achieve effective performance with certain specialized efforts. Noticeably, self-augmentation may introduce potentially noisy augmented data. Prior research has mainly resorted to heuristic rule based constraints to reduce the noise for specific self-augmentation individually. In this paper, we revisit the two self-augmentation methods for NER, and propose a unified meta-reweighting strategy for these heterogeneous methods to achieve a natural integration. Our method is easily extensible, imposing little effort on a specific self-augmentation method. Experiments on different Chinese and English NER benchmarks demonstrate that our token substitution and mixup method, as well as their integration, can obtain effective performance improvement. Based on the meta-reweighting mechanism, we can enhance the advantages of the self-augmentation techniques without extra efforts.
• Abstract（参考訳）: 最近、低リソースシナリオにおける名前付きエンティティ認識(ner)のパフォーマンスを改善するための研究への関心が高まっている。 トーケン置換とミキサップは、特定の専門的な取り組みで効果的な性能を達成することができるNERのための2つの実現可能なヘテロジニアス自己増強技術である。 明らかなことに、自己示唆は潜在的に騒がしい拡張データをもたらす可能性がある。 これまでの研究は主に、特定の自己拡張のノイズを個別に減らすためのヒューリスティックな規則に基づく制約に頼ってきた。 本稿では,NERの2つの自己拡張手法を再検討し,これらの不均一な手法の統一的メタリフレッシング戦略を提案し,自然統合を実現する。 本手法は容易に拡張可能であり,特定の自己提示法にほとんど努力を要さない。 異なる中国語と英語のNERベンチマーク実験により、トークン置換法とミキサップ法とそれらの統合法が効果的な性能向上をもたらすことを示した。 メタリウェイト機構に基づき、余分な努力を伴わずに自己増強技術の利点を高めることができる。

関連論文リスト

• RECOMBINER: Robust and Enhanced Compression with Bayesian Implicit Neural Representations [8.417694229876371]
  COMBINERは量子化を回避し、レート歪み性能の直接最適化を可能にする。 我々は,COMBINERの限界を克服するために,Robust and Enhanced COMBINER (RECOMBINER)を提案する。 我々は,RECOMBINERがINRベースの最良の手法と競合し,低解像度画像上でのオートエンコーダベースのコーデックよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-29T12:27:15Z)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• 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)
• A GA-like Dynamic Probability Method With Mutual Information for Feature Selection [1.290382979353427]
  相互情報を用いたGADP(GA-like dynamic probability)手法を提案する。 各遺伝子の確率は独立であるため、GADPの染色体変異は従来のGAよりも顕著である。 提案手法の優位性を検証するため,15個のデータセット上で複数の条件下で評価を行った。
  論文  参考訳（メタデータ） (2022-10-21T13:30:01Z)
• Self-Distillation from the Last Mini-Batch for Consistency Regularization [14.388479145440636]
  我々は、Last Mini-Batch (DLB) からの自己蒸留という、効率的で信頼性の高い自己蒸留フレームワークを提案する。 提案手法はトレーニングの安定性と一貫性を導出し,ノイズのラベル付けに堅牢性をもたらす。 3つの分類ベンチマークによる実験結果から、我々の手法は最先端の自己蒸留手法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） (2022-03-30T09:50:24Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• Contrastive Learning from Extremely Augmented Skeleton Sequences for Self-supervised Action Recognition [23.27198457894644]
  自己教師型行動表現(AimCLR)のためのアウンダント情報マイニングを利用したコントラスト学習フレームワークを提案する。 まず,エネルギベースアテンション誘導落下モジュール(EADM)を極端に拡張し,多様な正の試料を得る。 第三に、近隣鉱業(NNM)は、豊富な情報マイニングプロセスをより合理的なものにするため、ポジティブなサンプルをさらに拡大するために提案されている。
  論文  参考訳（メタデータ） (2021-12-07T09:38:37Z)
• Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
  確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。 本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。 経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:04:09Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。