論文の概要: T-NER: An All-Round Python Library for Transformer-based Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2209.12616v1
• Date: Fri, 9 Sep 2022 15:00:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:39:39.498058
• Title: T-NER: An All-Round Python Library for Transformer-based Named Entity Recognition
• Title（参考訳）: T-NER: トランスフォーマーベースの名前付きエンティティ認識のためのPythonライブラリ
• Authors: Asahi Ushio, Jose Camacho-Collados
• Abstract要約: T-NERは、NER LMファインタニング用のPythonライブラリである。 9つのパブリックなNERデータセットを統一されたフォーマットにコンパイルすることで、ライブラリの可能性を示す。 将来の研究を容易にするため、Hugging Faceモデルハブを通じてLMチェックポイントをすべてリリースしています。
• 参考スコア（独自算出の注目度）: 9.928025283928282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language model (LM) pretraining has led to consistent improvements in many NLP downstream tasks, including named entity recognition (NER). In this paper, we present T-NER (Transformer-based Named Entity Recognition), a Python library for NER LM finetuning. In addition to its practical utility, T-NER facilitates the study and investigation of the cross-domain and cross-lingual generalization ability of LMs finetuned on NER. Our library also provides a web app where users can get model predictions interactively for arbitrary text, which facilitates qualitative model evaluation for non-expert programmers. We show the potential of the library by compiling nine public NER datasets into a unified format and evaluating the cross-domain and cross-lingual performance across the datasets. The results from our initial experiments show that in-domain performance is generally competitive across datasets. However, cross-domain generalization is challenging even with a large pretrained LM, which has nevertheless capacity to learn domain-specific features if fine-tuned on a combined dataset. To facilitate future research, we also release all our LM checkpoints via the Hugging Face model hub.
• Abstract（参考訳）: 言語モデル(LM)事前訓練は、名前付きエンティティ認識(NER)を含む多くのNLP下流タスクにおいて一貫した改善をもたらした。 本稿では,NER LMファインタニングのためのPythonライブラリであるT-NER(Transformer-based Named Entity Recognition)を提案する。 その実用性に加えて、T-NERは、NERに微調整されたLMのクロスドメインおよびクロスランガル一般化能力の研究と研究を促進する。 我々のライブラリはまた、任意のテキストに対してモデル予測を対話的に取得できるWebアプリを提供し、非専門家プログラマに対する定性的なモデル評価を容易にする。 9つの公開nerデータセットを統一フォーマットにコンパイルし,クロスドメインとクロスリンガルのパフォーマンスを評価することで,ライブラリの可能性を示す。 最初の実験の結果、ドメイン内のパフォーマンスは一般的にデータセット間で競合することがわかった。 しかし、クロスドメインの一般化は、大規模な事前訓練されたLMでも困難であり、組み合わせたデータセットで微調整された場合、ドメイン固有の特徴を学習する能力がある。 将来の研究を容易にするため、Hugging Faceモデルハブを通じてLMチェックポイントをすべてリリースしています。

関連論文リスト

• Improving Few-Shot Cross-Domain Named Entity Recognition by Instruction Tuning a Word-Embedding based Retrieval Augmented Large Language Model [0.0]
  Few-Shot Cross-Domain NERは、データ豊富なソースドメインからの知識を活用して、データ不足のターゲットドメイン上でエンティティ認識を実行するプロセスである。 名前付きエンティティ認識のための検索拡張大言語モデルIF-WRANERを提案する。
  論文  参考訳（メタデータ） (2024-11-01T08:57:29Z)
• llmNER: (Zero|Few)-Shot Named Entity Recognition, Exploiting the Power of Large Language Models [1.1196013962698619]
  本稿では,大規模言語モデル(LLM)を用いたゼロショットおよび少数ショットNERを実装するPythonライブラリであるllmNERについて述べる。 llmNERはプロンプトを作成し、モデルをクエリし、LLMによって返される完了を解析することができる。 ライブラリの柔軟性を示すため、2つのNERタスクでソフトウェアを検証しました。
  論文  参考訳（メタデータ） (2024-06-06T22:01:59Z)
• Learning to Rank Context for Named Entity Recognition Using a Synthetic Dataset [6.633914491587503]
  本稿では,Alpacaを用いた文脈検索学習データセットを提案する。 このデータセットを用いて、NERの関連するコンテキストを見つけることができるBERTモデルに基づいて、ニューラルネットワークコンテキストレトリバーをトレーニングする。 本手法は,40冊の本の第1章からなる英文データセットにおいて,NERタスクの検索ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-16T06:53:12Z)
• A Confidence-based Partial Label Learning Model for Crowd-Annotated Named Entity Recognition [74.79785063365289]
  名前付きエンティティ認識(NER)のための既存のモデルは、主に大規模ラベル付きデータセットに基づいている。 我々は,クラウドアノテートNERに対する先行信頼度(アノテータによる提案)と後続信頼度(モデルによる学習)を統合するために,信頼に基づく部分ラベル学習(CPLL)手法を提案する。
  論文  参考訳（メタデータ） (2023-05-21T15:31:23Z)
• One Model for All Domains: Collaborative Domain-Prefix Tuning for Cross-Domain NER [92.79085995361098]
  クロスドメインNERは、実践シナリオにおける低リソースの問題に対処する上で難しいタスクである。 事前学習言語モデル(PLM)によるNERモデルと、リッチリソースドメインのデータとを主に取得し、ターゲットドメインに適応させる。 テキストからテキストへの生成 PLM に基づくクロスドメイン NER のための協調的ドメイン修正チューニングを提案する。
  論文  参考訳（メタデータ） (2023-01-25T05:16:43Z)
• Domain-Specific NER via Retrieving Correlated Samples [37.98414661072985]
  本稿では,NERモデルの相関サンプルによる拡張を提案する。 人間の推論過程を明示的にシミュレートするために,多数決によるトレーニング不要な実体型校正を行う。 上記の2つの領域のデータセットに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-08-27T12:25:24Z)
• Non-Parametric Unsupervised Domain Adaptation for Neural Machine Translation [61.27321597981737]
  $k$NN-MTは、トレーニング済みニューラルネットワーク翻訳(NMT)モデルとドメイン固有のトークンレベルである$k$-nearest-neighbor検索を直接組み込むという有望な能力を示している。 対象言語におけるドメイン内単言語文を直接使用して,$k$-nearest-neighbor検索に有効なデータストアを構築する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-14T11:50:01Z)
• An Open-Source Dataset and A Multi-Task Model for Malay Named Entity Recognition [3.511753382329252]
  マレーNERデータセット(MYNER)を28,991文(384万個以上)で構築する。 NERトレーニングを明示的かつ暗黙的に改善するために、補助的なタスクである境界検出が導入されている。
  論文  参考訳（メタデータ） (2021-09-03T03:29:25Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Local Additivity Based Data Augmentation for Semi-supervised NER [59.90773003737093]
  名前付きエンティティ認識(NER)は、深層言語理解の第1段階の1つである。 現在のNERモデルは、人間の注釈付きデータに大きく依存している。 半教師付きNERのための局所付加性に基づくデータ拡張法(LADA)を提案する。
  論文  参考訳（メタデータ） (2020-10-04T20:46:26Z)
• Zero-Resource Cross-Domain Named Entity Recognition [68.83177074227598]
  既存のドメイン名付きエンティティ認識モデルは、多くのラベルなしコーパスや、ターゲットドメイン内のラベル付きNERトレーニングデータに依存している。 外部リソースを一切使用しないドメイン間NERモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-14T09:04:18Z)

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。