Fugu-MT 論文翻訳(概要): A Sequence Tagging based Framework for Few-Shot Relation Extraction

論文の概要: A Sequence Tagging based Framework for Few-Shot Relation Extraction

arxiv url: http://arxiv.org/abs/2208.08053v1
Date: Wed, 17 Aug 2022 03:54:22 GMT
ステータス: 処理完了
システム内更新日: 2022-08-18 12:15:54.753306
Title: A Sequence Tagging based Framework for Few-Shot Relation Extraction
Title（参考訳）: Few-Shot関係抽出のためのシーケンスタグに基づくフレームワーク
Authors: Xukun Luo and Ping Wang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.536010796119412
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Relation Extraction (RE) refers to extracting the relation triples in the input text. Existing neural work based systems for RE rely heavily on manually labeled training data, but there are still a lot of domains where sufficient labeled data does not exist. Inspired by the distance-based few-shot named entity recognition methods, we put forward the definition of the few-shot RE task based on the sequence tagging joint extraction approaches, and propose a few-shot RE framework for the task. Besides, we apply two actual sequence tagging models to our framework (called Few-shot TPLinker and Few-shot BiTT), and achieves solid results on two few-shot RE tasks constructed from a public dataset.
Abstract（参考訳）: 関係抽出(re)は、入力テキスト中の関係三重項を抽出することを指す。既存のreのニューラルワークベースのシステムは、手作業によるラベル付きトレーニングデータに大きく依存しているが、十分なラベル付きデータが存在しないドメインは数多く存在する。距離を基準としたマイナショット名称付きエンティティ認識手法に着想を得て,シーケンスタグ付きジョイント抽出手法に基づくマイナショットリタスクの定義を行い,タスクのためのマイナショットリフレームワークを提案する。さらに、我々のフレームワークに2つの実際のシーケンスタグモデル(Few-shot TPLinker と Few-shot BiTT)を適用し、パブリックデータセットから構築された2つの数ショットREタスクに対して、しっかりとした結果を得る。

関連論文リスト

AutoRE: Document-Level Relation Extraction with Large Language Models [27.426703757501507]
我々は、RHF(Relation-Head-Facts)という新しいRE抽出パラダイムを採用した、エンド・ツー・エンドのDocREモデルであるAutoREを紹介する。既存のアプローチとは異なり、AutoREは既知の関係オプションの仮定に依存しておらず、現実のシナリオをより反映している。 RE-DocREDデータセットの実験では、AutoREの最高のパフォーマンスを示し、最先端の結果が得られました。
論文参考訳（メタデータ） (2024-03-21T23:48:21Z)
BitCoin: Bidirectional Tagging and Supervised Contrastive Learning based Joint Relational Triple Extraction Framework [16.930809038479666]
両方向タギングと教師付きコントラスト学習に基づく連立三重抽出フレームワークであるBitCoinを提案する。具体的には,1つの正に制限するのではなく,複数の正をアンカー毎に考慮した教師付きコントラスト学習手法を設計する。本フレームワークは,対象物から対象物へのトリプル抽出を可能にするため,タグを2方向に実装する。
論文参考訳（メタデータ） (2023-09-21T07:55:54Z)
Silver Syntax Pre-training for Cross-Domain Relation Extraction [20.603482820770356]
関係抽出(RE)は、特に現実的な領域外評価を考える場合、依然として困難な課題である。高品質な(手動で注釈付けされた)データを取得するのは非常に高価であり、新しいドメインごとに現実的に繰り返すことはできない。関連するタスクからのデータに対する中間的なトレーニングステップは、多くのNLPタスクで有用であることが示されているが、このセットアップには追加のアノテートデータが必要であるため、しばしば利用できない。本稿では,REのための中間的事前学習について検討する。構文構造と意味的REとの親和性を利用して,2つのエンティティ間の最も短い依存性パスにあることで,REと密接に関連する構文関係を同定する。
論文参考訳（メタデータ） (2023-05-18T14:49:19Z)
Pic2Word: Mapping Pictures to Words for Zero-shot Composed Image Retrieval [84.11127588805138]
Composed Image Retrieval (CIR)は、クエリイメージとテキストを組み合わせて、対象とするターゲットを記述する。既存の方法は、クエリ画像、テキスト仕様、ターゲット画像からなるラベル付き三重項を用いたCIRモデルの教師あり学習に依存している。我々は,ラベル付き三重項学習を必要とせずにCIRモデルを構築することを目的として,Zero-Shot Composed Image Retrieval (ZS-CIR)を提案する。
論文参考訳（メタデータ） (2023-02-06T19:40:04Z)
ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
学術論文からN-ary関係を抽出する問題について考察する。提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
論文参考訳（メタデータ） (2022-10-26T02:28:02Z)
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)
Pre-training to Match for Unified Low-shot Relation Extraction [37.625078897220305]
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。
論文参考訳（メタデータ） (2022-03-23T08:43:52Z)
Automatically Generating Counterfactuals for Relation Exaction [18.740447044960796]
関係抽出(RE)は自然言語処理の基本課題である。現在のディープニューラルモデルは高い精度を達成しているが、スプリアス相関の影響を受けやすい。我々は、エンティティの文脈的反事実を導出するための新しいアプローチを開発する。
論文参考訳（メタデータ） (2022-02-22T04:46:10Z)
D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
論文参考訳（メタデータ） (2021-09-10T22:30:48Z)
Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-10T07:50:44Z)

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。