Fugu-MT 論文翻訳(概要): An Empirical Study on Finding Spans

論文の概要: An Empirical Study on Finding Spans

arxiv url: http://arxiv.org/abs/2210.06824v1
Date: Thu, 13 Oct 2022 08:15:48 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 15:39:53.254381
Title: An Empirical Study on Finding Spans
Title（参考訳）: スパンの発見に関する実証的研究
Authors: Weiwei Gu, Boyuan Zheng, Yunmo Chen, Tongfei Chen, Benjamin Van Durme
Abstract要約: エンド・ツー・エンドの情報抽出システムのトレーニングに活用できるアプローチに着目する。タスク特性を考慮せずに、すべての下流タスクをうまく解決できる銀の弾丸がないことを認識します。
参考スコア（独自算出の注目度）: 31.364944851112103
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an empirical study on methods for span finding, the selection of consecutive tokens in text for some downstream tasks. We focus on approaches that can be employed in training end-to-end information extraction systems. We recognize there is no silver bullet that can simply solve all downstream tasks well without considering task properties and provide our observations to help with design choices in the future: 1) tagging method usually yields a higher precision while span enumeration and boundary prediction prefer a higher recall; 2) span type information can benefit boundary prediction approach; 3) additional contextualization does not help span finding in most cases.
Abstract（参考訳）: 本研究では,いくつかの下流タスクに対して,スパン発見手法,テキスト中の連続トークンの選択に関する実証的研究を行う。エンド・ツー・エンドの情報抽出システムのトレーニングに活用できるアプローチに着目する。タスク特性を考慮せずに、すべての下流タスクをうまく解決できる銀の弾丸がないことを認識し、将来の設計選択を支援するために我々の観察を提供する。 1) タグ付け方法は,通常,スパン列挙と境界予測がより高いリコールを好む間,高い精度をもたらす。 2) スパン型情報は境界予測アプローチに有用である。 3) 追加の文脈化は、ほとんどの場合、発見に役立ちません。

関連論文リスト

Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。これらの手法間の関係を解析し,その強みと限界を比較する。
論文参考訳（メタデータ） (2024-02-02T14:32:42Z)
Successive Model-Agnostic Meta-Learning for Few-Shot Fault Time Series Prognosis [3.5573601621032944]
本稿では,連続した時系列をメタタスクとして扱う「擬似メタタスク」分割方式を提案する。連続時系列を擬似メタタスクとして利用することで,データからより包括的な特徴や関係を抽出することができる。異なるデータセットにまたがる手法の堅牢性を高めるための差分アルゴリズムを導入する。
論文参考訳（メタデータ） (2023-11-04T02:07:47Z)
Prefer to Classify: Improving Text Classifiers via Auxiliary Preference Learning [76.43827771613127]
本稿では、このような補助データアノテーションの新しい代替手段として、入力テキストのペア間のタスク固有の嗜好について検討する。本稿では、与えられた分類課題と補助的選好の両方を学ぶことの協調効果を享受できる、P2Cと呼ばれる新しいマルチタスク学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-08T04:04:47Z)
Actively Discovering New Slots for Task-oriented Conversation [19.815466126158785]
本稿では,ループ内学習を実現するため,情報抽出方式で汎用的なスロットタスクを提案する。我々は既存の言語ツールを活用し、対応するラベルが弱い監視信号として利用される値候補を抽出する。いくつかの公開データセットに対して広範な実験を行い、競合するベースラインを多数比較して手法を実証する。
論文参考訳（メタデータ） (2023-05-06T13:33:33Z)
On the Evaluation of Answer-Agnostic Paragraph-level Multi-Question Generation [57.630606799713526]
本研究は,所定の段落から有意な質問の集合を予測するタスクについて,その解答の事前知識を伴わずに検討する。まず、ハンガリーのアルゴリズムを用いて、提案したペアをスコア付けする前に、予測された質問を参照に割り当てることにより、参照の集合に対して予測された質問の集合を評価する新しい手法を提案する。第2に,事前学習したseq2seqモデルを用いて,与えられた段落に関連する質問の集合を生成し,選択するための異なる戦略を比較した。
論文参考訳（メタデータ） (2022-03-09T00:55:54Z)
Investigating Selective Prediction Approaches Across Several Tasks in IID, OOD, and Adversarial Settings [22.043291547405545]
我々は,複数のNLPタスクにまたがる17データセットの大規模セットアップにおいて,「選択的予測」を体系的に研究した。我々は、追加のリソースを活用するにもかかわらず、既存のアプローチが3つの設定すべてでMaxProbを一貫して、かなり上回っていることを示しています。
論文参考訳（メタデータ） (2022-03-01T03:35:37Z)
PROMPT WAYWARDNESS: The Curious Case of Discretized Interpretation of Continuous Prompts [99.03864962014431]
目標タスクの微調整連続プロンプトは、フルモデルの微調整に代わるコンパクトな代替品として登場した。実際には、連続的なプロンプトによって解決されたタスクと、最も近い隣人との間の「方向」の挙動を観察する。
論文参考訳（メタデータ） (2021-12-15T18:55:05Z)
Just Label What You Need: Fine-Grained Active Selection for Perception and Prediction through Partially Labeled Scenes [78.23907801786827]
提案手法は,コストに配慮した手法と,部分的にラベル付けされたシーンを通じて詳細なサンプル選択を可能にする一般化を導入している。実世界の大規模自動運転データセットに関する我々の実験は、微粒な選択が知覚、予測、下流計画タスクのパフォーマンスを向上させることを示唆している。
論文参考訳（メタデータ） (2021-04-08T17:57:41Z)
Explain and Predict, and then Predict Again [6.865156063241553]
説明生成フェーズにおけるマルチタスク学習を用いたExPredを、効果的なトレードオフ説明と予測損失として提案します。 3つの多様な言語データセットに対するアプローチを幅広く評価しています。
論文参考訳（メタデータ） (2021-01-11T19:36:52Z)
Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
論文参考訳（メタデータ） (2020-10-19T19:53:15Z)
Learning to Ask Medical Questions using Reinforcement Learning [9.376814468000955]
強化学習エージェントは、アンマストすべき特定の特徴を反復的に選択し、十分な自信のある結果を予測する。提案手法の重要な構成要素は、選択した特徴から得られる結果を予測し、報酬関数をパラメータ化するように訓練された推測ネットワークである。本手法を全国調査データセットに適用することにより,少数の入力特徴に基づいて予測を行う必要のある場合,高いベースラインを達成できるだけでなく,解釈性も高いことを示す。
論文参考訳（メタデータ） (2020-03-31T18:21:46Z)

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。