論文の概要: A Novel Few-Shot Relation Extraction Pipeline Based on Adaptive Prototype Fusion

• arxiv url: http://arxiv.org/abs/2210.08242v1
• Date: Sat, 15 Oct 2022 09:44:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 18:17:51.513871
• Title: A Novel Few-Shot Relation Extraction Pipeline Based on Adaptive Prototype Fusion
• Title（参考訳）: 適応型原型核融合に基づく新しいFew-Shot関係抽出パイプライン
• Authors: Yuzhe Zhang, Min Cen, Tongzhou Wu, and Hong Zhang
• Abstract要約: Few-shot Relation extract (FSRE) は、わずかに注釈付きインスタンスで学習することで、目に見えない関係を認識することを目的としている。 本稿では,適応型プロトタイプ融合に基づくFSREタスクのための新しいパイプラインを提案する。 ベンチマークデータセットFewRel 1.0の実験では、最先端の手法に対する我々の手法の大幅な改善が示されている。
• 参考スコア（独自算出の注目度）: 5.636675879040131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot relation extraction (FSRE) aims at recognizing unseen relations by learning with merely a handful of annotated instances. To more effectively generalize to new relations, this paper proposes a novel pipeline for the FSRE task based on adaptive prototype fusion. Specifically, for each relation class, the pipeline fully explores the relation information by concatenating two types of embedding, and then elaborately combine the relation representation with the adaptive prototype fusion mechanism. The whole framework can be effectively and efficiently optimized in an end-to-end fashion. Experiments on the benchmark dataset FewRel 1.0 show a significant improvement of our method against state-of-the-art methods.
• Abstract（参考訳）: Few-shot Relation extract (FSRE) は、わずかな注釈付きインスタンスで学習することで、目に見えない関係を認識することを目的としている。 本稿では,新しい関係をより効果的に一般化するために,適応型プロトタイプ融合に基づくFSREタスクのための新しいパイプラインを提案する。 具体的には、各関係クラスに対して、パイプラインは2種類の埋め込みを連結して関係情報を完全に探索し、その関係表現と適応プロトタイプ融合機構を精巧に結合する。 フレームワーク全体がエンドツーエンドで効果的かつ効率的に最適化できます。 ベンチマークデータセットFewRel 1.0の実験は、最先端の手法に対する我々の手法の大幅な改善を示している。

関連論文リスト

• RAPL: A Relation-Aware Prototype Learning Approach for Few-Shot Document-Level Relation Extraction [35.246592734300414]
  FSDLREのための関係認識型プロトタイプ学習手法を提案する。 提案手法は, 関係プロトタイプを効果的に改良し, タスク固有のNOTAプロトタイプを生成する。
  論文  参考訳（メタデータ） (2023-10-24T11:35:23Z)
• ProtoEM: A Prototype-Enhanced Matching Framework for Event Relation Extraction [69.74158631862652]
  イベント関係抽出(ERE)は、テキスト中のイベント間の複数の種類の関係を抽出することを目的としている。 既存の手法では、イベント関係を異なるクラスに分類し、これらの関係の本質的な意味を不適切に捉えている。 複数種類の事象関係の連成抽出のためのプロトタイプ強化マッチング(ProtoEM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-22T14:26:06Z)
• Improving Long Tailed Document-Level Relation Extraction via Easy Relation Augmentation and Contrastive Learning [66.83982926437547]
  我々は,DocREが現実のシナリオにおいて,長期分布問題の緩和に不可欠であると主張する。 長期分布問題に動機付けられ,DocREを改善するための簡易関係拡張法(ERA)を提案する。
  論文  参考訳（メタデータ） (2022-05-21T06:15:11Z)
• A Simple yet Effective Relation Information Guided Approach for Few-Shot Relation Extraction [22.60428265210431]
  Few-Shot Relation extractは、文中の一対の実体の関係を、各関係にいくつかのラベル付き例で訓練することによって予測することを目的としている。 原型ネットワークに基づくモデル学習を支援するための関係情報を導入した最近の研究もある。 関係情報はモデルにより明確かつ効果的に導入できると論じる。
  論文  参考訳（メタデータ） (2022-05-19T13:03:01Z)
• Eider: Evidence-enhanced Document-level Relation Extraction [56.71004595444816]
  文書レベルの関係抽出(DocRE)は、文書内のエンティティペア間の意味関係を抽出することを目的としている。 本稿では,共同関係と証拠抽出,エビデンス中心関係抽出(RE),抽出結果の融合からなる3段階のエビデンス強化DocREフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T09:43:16Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• A Frustratingly Easy Approach for Entity and Relation Extraction [25.797992240847833]
  本稿では,エンティティと関係抽出のための簡単なパイプライン化手法を提案する。 標準ベンチマーク(ACE04、ACE05、SciERC)における新しい最先端技術を確立する。 このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築します。
  論文  参考訳（メタデータ） (2020-10-24T07:14:01Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Named Entity Recognition and Relation Extraction using Enhanced Table Filling by Contextualized Representations [14.614028420899409]
  提案手法は,複雑な手作り特徴やニューラルネットワークアーキテクチャを伴わずに,エンティティ参照と長距離依存関係の表現を計算する。 我々はまた、歴史に基づく予測や検索戦略に頼ることなく、関係ラベルを一度に予測するためにテンソルドット積を適用する。 その単純さにもかかわらず、実験の結果、提案手法はCoNLL04とACE05の英語データセット上で最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-15T04:58:23Z)
• Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs [35.842356537926]
  本稿では,文中の一対の実体の関係を,複数のラベル付き例で学習することで予測することを目的とした,少数ショット関係抽出について検討する。 新たな関係をより効果的に一般化するために,本稿では,関係の異なる関係について検討し,グローバル関係グラフを活用することを提案する。
  論文  参考訳（メタデータ） (2020-07-05T17:04:41Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。