論文の概要: Active Relation Discovery: Towards General and Label-aware Open Relation Extraction

• arxiv url: http://arxiv.org/abs/2211.04215v1
• Date: Tue, 8 Nov 2022 13:01:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 15:17:10.376502
• Title: Active Relation Discovery: Towards General and Label-aware Open Relation Extraction
• Title（参考訳）: アクティブリレーションの発見:一般およびラベル対応オープンリレーション抽出に向けて
• Authors: Yangning Li, Yinghui Li, Xi Chen, Hai-Tao Zheng, Ying Shen, Hong-Gee Kim
• Abstract要約: Open Relation extract (OpenRE)は、オープンドメインから新しい関係を発見することを目的としている。 従来のOpenRE手法は、既知の関係と新しい関係を区別する能力の不足という2つの問題に悩まされていた。 本稿では,未知関係と新規関係の識別に外乱検出を利用する能動関係探索(ARD)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 29.698830421857735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open Relation Extraction (OpenRE) aims to discover novel relations from open domains. Previous OpenRE methods mainly suffer from two problems: (1) Insufficient capacity to discriminate between known and novel relations. When extending conventional test settings to a more general setting where test data might also come from seen classes, existing approaches have a significant performance decline. (2) Secondary labeling must be performed before practical application. Existing methods cannot label human-readable and meaningful types for novel relations, which is urgently required by the downstream tasks. To address these issues, we propose the Active Relation Discovery (ARD) framework, which utilizes relational outlier detection for discriminating known and novel relations and involves active learning for labeling novel relations. Extensive experiments on three real-world datasets show that ARD significantly outperforms previous state-of-the-art methods on both conventional and our proposed general OpenRE settings. The source code and datasets will be available for reproducibility.
• Abstract（参考訳）: open relation extraction (openre) はオープンドメインから新しい関係を見つけることを目的としている。 従来のOpenRE手法は,(1)既知の関係と新規関係を識別する能力の不足という2つの問題に主に悩まされていた。 従来のテスト設定をもっと一般的な設定に拡張することで、テストデータが目に見えるクラスから来る可能性がある場合、既存のアプローチは大幅にパフォーマンスが低下する。 2) 2次ラベリングは,実用化前に行う必要がある。 既存の手法では、ダウンストリームタスクが緊急に必要とする新しい関係に対して、人間可読で意味のあるタイプをラベル付けすることはできない。 これらの課題に対処するために,未知関係と新規関係を識別するためにリレーショナル・アウトラヤ検出を利用するアクティブ・リレー・ディスカバリー(ARD)フレームワークを提案する。 3つの実世界のデータセットに対する大規模な実験により、ARDは従来と提案した一般のOpenRE設定の両方において、従来の最先端手法よりも大幅に優れていた。 ソースコードとデータセットは再現性のために提供される。

関連論文リスト

• New Rules for Causal Identification with Background Knowledge [59.733125324672656]
  オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。 これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-21T20:21:21Z)
• PromptRE: Weakly-Supervised Document-Level Relation Extraction via Prompting-Based Data Programming [30.597623178206874]
  本稿では,文書レベルの関係抽出手法であるPromptREを提案する。 PromptREは、ラベルの配布とエンティティタイプを事前知識として組み込んでパフォーマンスを向上させる。 文書レベルの関係抽出のためのベンチマークデータセットであるReDocREDの実験結果は、ベースラインアプローチよりもPromptREの方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T17:23:17Z)
• Open Set Relation Extraction via Unknown-Aware Training [72.10462476890784]
  負のインスタンスを動的に合成することでモデルを正規化する未知の学習手法を提案する。 テキストの敵対的攻撃に触発されて、我々は適応的に、小さいが重要な摂動を元のトレーニングインスタンスに適用する。 実験結果から, 既知の関係の分類を損なうことなく, 未知の関係検出を行うことができた。
  論文  参考訳（メタデータ） (2023-06-08T05:45:25Z)
• Open-world Semi-supervised Generalized Relation Discovery Aligned in a Real-world Setting [45.552196581865516]
  我々は、OpenRE設定は現実世界のデータの特徴とより整合しているべきだと論じる。 KNoRDは、ラベルなしデータ内の既知のクラスや新しいクラスから、明示的で暗黙的に表現された関係を効果的に分類する。
  論文  参考訳（メタデータ） (2023-05-22T23:12:57Z)
• PromptORE -- A Novel Approach Towards Fully Unsupervised Relation Extraction [0.0]
  教師なし関係抽出(RE)は、トレーニング中にラベル付きデータにアクセスすることなく、テキスト内のエンティティ間の関係を識別することを目的としている。 本稿では,'Prompt-based Open Relation extract'モデルであるPromptOREを提案する。 我々は、新しいプロンプトチューニングパラダイムを教師なしの設定に適応させ、関係を表す文を埋め込む。 PromptOREは,B,V,ARIの40%以上の増加率を持つ最先端モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2023-03-24T12:55:35Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Mining Feature Relationships in Data [0.0]
  特徴関係マイニング(FRM)は、データの連続的または分類的特徴間の象徴的関係を自動的に発見する遺伝的プログラミング手法である。 提案手法は,特徴間の関係を明確に発見することを目的とした,最初の象徴的アプローチである。 実世界の様々なデータセットに対する実証テストにより、提案手法は高品質で単純な特徴関係を見つけることができることを示した。
  論文  参考訳（メタデータ） (2021-02-02T07:06:16Z)
• 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)
• 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)

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。