論文の概要: MORE: A Metric Learning Based Framework for Open-domain Relation Extraction

• arxiv url: http://arxiv.org/abs/2206.00289v1
• Date: Wed, 1 Jun 2022 07:51:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-03 00:46:05.133192
• Title: MORE: A Metric Learning Based Framework for Open-domain Relation Extraction
• Title（参考訳）: MORE:オープンドメイン関係抽出のためのメトリクス学習ベースのフレームワーク
• Authors: Yutong Wang, Renze Lou, Kai Zhang, MaoYan Chen, Yujiu Yang
• Abstract要約: オープンリレーション抽出(OpenRE)は、オープンドメインコーパスからリレーションスキームを抽出するタスクである。 我々はMORE(Metric Learning-based Open Relation extract)という新しい学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.149590577718996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open relation extraction (OpenRE) is the task of extracting relation schemes from open-domain corpora. Most existing OpenRE methods either do not fully benefit from high-quality labeled corpora or can not learn semantic representation directly, affecting downstream clustering efficiency. To address these problems, in this work, we propose a novel learning framework named MORE (Metric learning-based Open Relation Extraction). The framework utilizes deep metric learning to obtain rich supervision signals from labeled data and drive the neural model to learn semantic relational representation directly. Experiments result in two real-world datasets show that our method outperforms other state-of-the-art baselines. Our source code is available on Github.
• Abstract（参考訳）: open relation extraction (openre) はオープンドメインコーパスから関係スキームを抽出するタスクである。 既存のOpenREメソッドの多くは、高品質なラベル付きコーパスの恩恵を受けていないか、直接意味表現を学習できないか、下流のクラスタリング効率に影響を与える。 そこで本研究では,MORE (Metric Learning-based Open Relation extract) という新しい学習フレームワークを提案する。 このフレームワークはディープメトリック学習を利用してラベル付きデータから豊富な監視信号を取得し、ニューラルネットワークを駆動して意味的関係表現を直接学習する。 実験の結果、2つの実世界のデータセットが得られた結果、この手法は他の最先端のベースラインよりも優れています。 ソースコードはgithubから入手できます。

関連論文リスト

• OpenR: An Open Source Framework for Advanced Reasoning with Large Language Models [61.14336781917986]
  大規模言語モデル(LLM)の推論能力を高めるためのオープンソースのフレームワークであるOpenRを紹介する。 OpenRは、データ取得、強化学習トレーニング、非自己回帰デコーディングを凝集性ソフトウェアプラットフォームに統合する。 私たちの研究は、OpenAIのo1モデルのコア技術と強化学習を探求する、オープンソースのフレームワークを初めて提供するものです。
  論文  参考訳（メタデータ） (2024-10-12T23:42:16Z)
• ExaRanker-Open: Synthetic Explanation for IR using Open-Source LLMs [60.81649785463651]
  ExaRanker-Openを導入し、オープンソース言語モデルを適用して、説明を生成する。 以上の結果から,LLMのサイズが大きくなるにつれて,説明の組み込みが神経ランク付けを継続的に促進することが明らかとなった。
  論文  参考訳（メタデータ） (2024-02-09T11:23:14Z)
• Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
  我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。 関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。 本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:40:12Z)
• Syntactic Multi-view Learning for Open Information Extraction [26.1066324477346]
  Open Information extract (OpenIE) は、オープンドメインの文から抽出することを目的としている。 本稿では,単語レベルのグラフに構成木と依存性木の両方をモデル化する。
  論文  参考訳（メタデータ） (2022-12-05T07:15:41Z)
• FV-UPatches: Enhancing Universality in Finger Vein Recognition [0.6299766708197883]
  限られたデータで学習しながら一般化を実現するユニバーサルラーニングベースのフレームワークを提案する。 提案フレームワークは、他の静脈ベースの生体認証にも応用可能性を示す。
  論文  参考訳（メタデータ） (2022-06-02T14:20:22Z)
• HRKD: Hierarchical Relational Knowledge Distillation for Cross-domain Language Model Compression [53.90578309960526]
  大規模事前学習言語モデル(PLM)は、従来のニューラルネットワーク手法と比較して圧倒的な性能を示している。 階層的および領域的関係情報の両方を抽出する階層的関係知識蒸留法(HRKD)を提案する。
  論文  参考訳（メタデータ） (2021-10-16T11:23:02Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• SelfORE: Self-supervised Relational Feature Learning for Open Relation Extraction [60.08464995629325]
  オープンドメイン関係抽出は、自然言語文からオープンドメイン関係事実を抽出するタスクである。 弱い自己教師型信号を利用する自己教師型フレームワークであるSelfOREを提案する。 3つのデータセットの実験結果は、SelfOREの有効性とロバスト性を示している。
  論文  参考訳（メタデータ） (2020-04-06T07:23:17Z)

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。