Fugu-MT 論文翻訳(概要): SciAnnotate: A Tool for Integrating Weak Labeling Sources for Sequence Labeling

論文の概要: SciAnnotate: A Tool for Integrating Weak Labeling Sources for Sequence Labeling

arxiv url: http://arxiv.org/abs/2208.10241v1
Date: Sun, 7 Aug 2022 19:18:13 GMT
ステータス: 処理完了
システム内更新日: 2022-08-28 22:24:02.954023
Title: SciAnnotate: A Tool for Integrating Weak Labeling Sources for Sequence Labeling
Title（参考訳）: SciAnnotate:シーケンスラベリングのための弱ラベルソースの統合ツール
Authors: Mengyang Liu, Haozheng Luo, Leonard Thong, Yinghao Li, Chao Zhang, Le Song
Abstract要約: SciAnnotateはSciAnnotateという名前のテキストアノテーションのためのウェブベースのツールで、科学的なアノテーションツールを指す。我々のツールは、弱いラベルを作成するために複数のユーザフレンドリーなインターフェースを提供する。本研究では,Bertifying Conditional Hidden Markov Modelを用いて,ツールが生成する弱いラベルを識別する手法を提案する。
参考スコア（独自算出の注目度）: 55.71459234749639
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Weak labeling is a popular weak supervision strategy for Named Entity Recognition (NER) tasks, with the goal of reducing the necessity for hand-crafted annotations. Although there are numerous remarkable annotation tools for NER labeling, the subject of integrating weak labeling sources is still unexplored. We introduce a web-based tool for text annotation called SciAnnotate, which stands for scientific annotation tool. Compared to frequently used text annotation tools, our annotation tool allows for the development of weak labels in addition to providing a manual annotation experience. Our tool provides users with multiple user-friendly interfaces for creating weak labels. SciAnnotate additionally allows users to incorporate their own language models and visualize the output of their model for evaluation. In this study, we take multi-source weak label denoising as an example, we utilized a Bertifying Conditional Hidden Markov Model to denoise the weak label generated by our tool. We also evaluate our annotation tool against the dataset provided by Mysore which contains 230 annotated materials synthesis procedures. The results shows that a 53.7% reduction in annotation time obtained AND a 1.6\% increase in recall using weak label denoising. Online demo is available at https://sciannotate.azurewebsites.net/(demo account can be found in README), but we don't host a model server with it, please check the README in supplementary material for model server usage.
Abstract（参考訳）: 弱いラベリングは名前付きエンティティ認識(ner)タスクのための一般的な弱い監督戦略であり、手書きアノテーションの必要性を減らすことを目的としている。 NERラベリングには注目すべきアノテーションツールが多数あるが、弱いラベリングソースを統合することの主題はまだ解明されていない。我々はSciAnnotateという,科学的アノテーションツールのためのWebベースのテキストアノテーションツールを紹介した。使用頻度の高いテキストアノテーションツールと比較して,アノテーションツールは,手作業によるアノテーションエクスペリエンスの提供に加えて,弱いラベルの開発を可能にする。我々のツールは、弱いラベルを作成するために複数のユーザフレンドリーなインターフェースを提供する。 sciannotateはさらに、ユーザが独自の言語モデルを組み込んで、評価のためにモデルのアウトプットを視覚化できる。本研究では,多元弱ラベルを例に,バーティゼーション条件付き隠れマルコフモデルを用いて,ツールが生成する弱ラベルを発音する。また、230の注釈材料合成手順を含むmysoreのデータセットに対するアノテーションツールの評価を行った。その結果, アノテーション時間の53.7%削減と, 弱いラベル表示を用いたリコールの1.6\%向上が得られた。オンラインデモはhttps://sciannotate.azurewebsites.net/(demo accountはreadmeにある)で利用可能だが、モデルサーバーはホストしていない。

関連論文リスト

AutoWS: Automated Weak Supervision Framework for Text Classification [1.748907524043535]
本稿では、ドメインエキスパートへの依存を減らしつつ、弱い監督プロセスの効率を高めるための新しい枠組みを提案する。本手法では,ラベルクラス毎にラベル付きサンプルの小さなセットが必要であり,多数のラベル付きデータにノイズ付きラベルを割り当てるラベル付き関数のセットを自動生成する。
論文参考訳（メタデータ） (2023-02-07T07:12:05Z)
Label Noise-Resistant Mean Teaching for Weakly Supervised Fake News Detection [93.6222609806278]
本稿では,弱い教師付き偽ニュース検出のためのラベル雑音耐性平均教育手法 (LNMT) を提案する。 LNMTは、未ラベルのニュースとユーザのフィードバックコメントを活用して、トレーニングデータの量を増やす。 LNMTはラベル伝搬とラベル信頼性推定を備えた平均教師フレームワークを確立する。
論文参考訳（メタデータ） (2022-06-10T16:01:58Z)
Open Source HamNoSys Parser for Multilingual Sign Language Encoding [3.867363075280544]
本稿では,HamNoSysアノテーションを数値ラベルに変換する自動ツールを提案する。提案する数値マルチラベルは,光沢を損なうことなく,HamNoSysアノテーションの構造を大幅に単純化する。これらの数値的なマルチラベルは、機械学習モデルのフィードに使用することができるため、視覚ベースの手話認識の開発が加速する可能性がある。
論文参考訳（メタデータ） (2022-04-14T12:33:33Z)
Omni-DETR: Omni-Supervised Object Detection with Transformers [165.4190908259015]
我々は、ラベルなし、完全ラベル付き、弱ラベル付きアノテーションを使用できるOmni教師付きオブジェクト検出の問題を考察する。この統一アーキテクチャの下では、異なる種類の弱いラベルを利用して正確な擬似ラベルを生成することができる。弱いアノテーションは検出性能を向上させるのに役立ち、それらの混合はアノテーションのコストと精度のトレードオフを改善することができる。
論文参考訳（メタデータ） (2022-03-30T06:36:09Z)
Label Semantics for Few Shot Named Entity Recognition [68.01364012546402]
名前付きエンティティ認識におけるショットラーニングの問題について検討する。我々は,ラベル名中の意味情報を,モデルに付加的な信号を与え,よりリッチな事前情報を与える手段として活用する。本モデルは,第1エンコーダによって計算された名前付きエンティティの表現と,第2エンコーダによって計算されたラベル表現とを一致させることを学習する。
論文参考訳（メタデータ） (2022-03-16T23:21:05Z)
Assisted Text Annotation Using Active Learning to Achieve High Quality with Little Effort [9.379650501033465]
研究者は、手動の注釈だけで、大規模で高品質な注釈付きデータセットを作成できるツールを提案する。我々は、アクティブラーニング(AL)アプローチと事前訓練された言語モデルを組み合わせて、アノテーションカテゴリを半自動で識別する。予備的な結果から,ALを用いることで,複雑なフレームや微妙なフレームを正しく分類するアノテーションの数が大幅に削減されることがわかった。
論文参考訳（メタデータ） (2021-12-15T13:14:58Z)
Learning with Noisy Labels by Targeted Relabeling [52.0329205268734]
クラウドソーシングプラットフォームは、ディープニューラルネットワークをトレーニングするためのデータセット収集によく使用される。本稿では,少数のアノテーションを予約して,高い確率でラベル付け可能なエラーを明示的に緩和する手法を提案する。
論文参考訳（メタデータ） (2021-10-15T20:37:29Z)
Learning to Aggregate and Refine Noisy Labels for Visual Sentiment Analysis [69.48582264712854]
本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
論文参考訳（メタデータ） (2021-09-15T18:18:28Z)
skweak: Weak Supervision Made Easy for NLP [13.37847225239485]
我々は、Pythonベースのソフトウェアツールキットskweakを紹介し、NLP開発者は幅広いNLPタスクに弱い監督を適用できる。ドメイン知識から派生したラベル付け関数を使用して、指定されたデータセットのアノテーションを自動的に取得する。得られたラベルは生成モデルで集約され、各ラベル関数の精度(および可能性のある混乱)を推定する。
論文参考訳（メタデータ） (2021-04-19T23:26:51Z)
DART: A Lightweight Quality-Suggestive Data-to-Text Annotation Tool [15.268017930901332]
Data AnnotatoR Tool (DART)は、大量の構造化データに注釈を付ける作業を減らすインタラクティブなアプリケーションである。シーケンス・ツー・シーケンス・モデルを用いて,アノテートされたラベルを反復的に解析し,ラベルのないデータをよりよくサンプリングする。大量の構造化データに注釈を付けるシミュレーション実験において、DARTはアクティブラーニングに必要なアノテーションの総数を減らし、関連するラベルを自動的に提案することを示した。
論文参考訳（メタデータ） (2020-10-08T17:36:34Z)

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。