論文の概要: Type-enriched Hierarchical Contrastive Strategy for Fine-Grained Entity Typing

• arxiv url: http://arxiv.org/abs/2208.10081v1
• Date: Mon, 22 Aug 2022 06:38:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 13:05:39.200380
• Title: Type-enriched Hierarchical Contrastive Strategy for Fine-Grained Entity Typing
• Title（参考訳）: 細粒化エンティティタイピングのためのタイプエンリッチ階層的コントラスト戦略
• Authors: Xinyu Zuo, Haijin Liang, Ning Jing, Shuang Zeng, Zhou Fang and Yu Luo
• Abstract要約: きめ細かいエンティティ型付けは、テキストで言及されるエンティティの特定の意味型を推論することを目的としています。 型の違いを直接モデル化する作業はほとんどなく、ある型が他と異なる範囲をモデルに知らせる。 本手法は,階層型の違いを直接モデル化し,多粒度類似型を識別する能力を向上させる。
• 参考スコア（独自算出の注目度）: 8.885149784531807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained entity typing (FET) aims to deduce specific semantic types of the entity mentions in text. Modern methods for FET mainly focus on learning what a certain type looks like. And few works directly model the type differences, that is, let models know the extent that one type is different from others. To alleviate this problem, we propose a type-enriched hierarchical contrastive strategy for FET. Our method can directly model the differences between hierarchical types and improve the ability to distinguish multi-grained similar types. On the one hand, we embed type into entity contexts to make type information directly perceptible. On the other hand, we design a constrained contrastive strategy on the hierarchical structure to directly model the type differences, which can simultaneously perceive the distinguishability between types at different granularity. Experimental results on three benchmarks, BBN, OntoNotes, and FIGER show that our method achieves significant performance on FET by effectively modeling type differences.
• Abstract（参考訳）: きめ細かいエンティティ型付け(FET)は、テキストで言及されるエンティティの特定の意味型を推論することを目的としている。 FETの現代的な方法は、主に特定の型がどのように見えるかを学ぶことに焦点を当てている。 そして、型の違いを直接モデル化する作業はほとんどなく、ある型が他と異なる範囲をモデルに知らせる。 この問題を軽減するため,FETのための階層型コントラスト戦略を提案する。 本手法は階層型間の差異を直接モデル化し,多面的類似型を識別する能力を向上させる。 一方、型情報を直接認識できるように、型をエンティティコンテキストに埋め込む。 一方、階層構造上に制約付きコントラスト戦略を設計し、型の違いを直接モデル化し、異なる粒度の型間の区別性を同時に知覚する。 BBN, OntoNotes, FIGER の3つのベンチマークによる実験結果から,本手法がFET上で有意な性能を発揮することを示す。

関連論文リスト

• Seed-Guided Fine-Grained Entity Typing in Science and Engineering Domains [51.02035914828596]
  科学・工学分野において,シード誘導型細粒度エンティティタイピングの課題について検討する。 まず、ラベルのないコーパスから各タイプのエンティティを抽出し、弱い監視力を高めるSETypeを提案する。 そして、リッチなエンティティをラベルなしのテキストにマッチさせ、擬似ラベル付きサンプルを取得し、見知らぬ型と見えない型の両方に推論できるテキストエンテリメントモデルを訓練する。
  論文  参考訳（メタデータ） (2024-01-23T22:36:03Z)
• Multi-view Contrastive Learning for Entity Typing over Knowledge Graphs [25.399684403558553]
  知識グラフ・エンティティ・タイピング(MCLET)のためのマルチビューコントラスト学習法を提案する。 MCLETはクラスタが提供する粗い知識をエンティティや型埋め込みに効果的にエンコードする。
  論文  参考訳（メタデータ） (2023-10-18T14:41:09Z)
• OntoType: Ontology-Guided and Pre-Trained Language Model Assisted Fine-Grained Entity Typing [25.516304052884397]
  きめ細かいエンティティタイピング(FET)は、コンテキストに敏感できめ細かいセマンティックタイプでエンティティをテキストに割り当てる。 OntoTypeは、粗いものから細いものまで、型オントロジ構造に従い、複数のPLMをアンサンブルすることで、型候補のセットを生成する。 Ontonotes、FIGER、NYTデータセットに関する我々の実験は、我々の手法が最先端のゼロショットの微細なエンティティタイピング方法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-21T00:32:37Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• Hierarchical Variational Memory for Few-shot Learning Across Domains [120.87679627651153]
  本稿では,プロトタイプの各レベルが階層メモリから対応する情報を取得する階層型プロトタイプモデルを提案する。 このモデルには、ドメインシフトの状況が要求される場合、異なるセマンティックレベルの機能を柔軟に依存する能力が備わっている。 モデルにおける各コンポーネントの有効性を示すために、徹底的なアブレーション研究を行っている。
  論文  参考訳（メタデータ） (2021-12-15T15:01:29Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)
• Category Contrast for Unsupervised Domain Adaptation in Visual Tasks [92.9990560760593]
  本稿では,視覚的 UDA タスクのインスタンス識別に先立って,セマンティックな事前情報を導入した新しいカテゴリコントラスト手法(CaCo)を提案する。 CaCoは既存のUDAメソッドを補完し、半教師付き学習や教師なしモデル適応などの他の学習設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-06-05T12:51:35Z)
• Modeling Fine-Grained Entity Types with Box Embeddings [32.85605894725522]
  きめ細かいエンティティタイプのラベルの階層を表現するために,ボックス埋め込みの能力を検討する。 我々は,このアプローチをベクトル型付けモデルと比較し,いくつかのエンティティ型付けベンチマークで最先端のパフォーマンスを観察した。
  論文  参考訳（メタデータ） (2021-01-02T00:59:10Z)
• Interpretable Entity Representations through Large-Scale Typing [61.4277527871572]
  本稿では,人間の読みやすいエンティティ表現を作成し,箱から高パフォーマンスを実現する手法を提案する。 我々の表現は、微粒な実体型に対する後続確率に対応するベクトルである。 特定のドメインに対して,学習に基づく方法で,型セットのサイズを縮小できることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:58:03Z)

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。