論文の概要: Hardness-guided domain adaptation to recognise biomedical named entities under low-resource scenarios

• arxiv url: http://arxiv.org/abs/2211.05980v1
• Date: Fri, 11 Nov 2022 03:11:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 15:29:36.030417
• Title: Hardness-guided domain adaptation to recognise biomedical named entities under low-resource scenarios
• Title（参考訳）: 低リソースシナリオ下での生物医学的名前の認識のためのハードネス誘導ドメイン適応
• Authors: Ngoc Dang Nguyen, Lan Du, Wray Buntine, Changyou Chen, Richard Beare
• Abstract要約: そこで本研究では,bioNERタスクのためのシンプルで効果的なハードネス誘導型ドメイン適応フレームワークを提案する。 我々のモデルは、最近発表されたSOTA(State-of-the-art) MetaNERモデルよりも大幅に性能が向上する。
• 参考スコア（独自算出の注目度）: 38.6722345635887
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Domain adaptation is an effective solution to data scarcity in low-resource scenarios. However, when applied to token-level tasks such as bioNER, domain adaptation methods often suffer from the challenging linguistic characteristics that clinical narratives possess, which leads to unsatisfactory performance. In this paper, we present a simple yet effective hardness-guided domain adaptation (HGDA) framework for bioNER tasks that can effectively leverage the domain hardness information to improve the adaptability of the learnt model in low-resource scenarios. Experimental results on biomedical datasets show that our model can achieve significant performance improvement over the recently published state-of-the-art (SOTA) MetaNER model
• Abstract（参考訳）: ドメイン適応は、低リソースシナリオにおけるデータ不足に対する効果的な解決策です。 しかし、bioNERのようなトークンレベルのタスクに適用する場合、ドメイン適応手法は、臨床物語が持つ難易度の高い言語的特徴に悩まされ、不満足なパフォーマンスをもたらすことが多い。 本稿では、低リソースシナリオにおける学習モデルの適応性を向上させるために、ドメインの硬度情報を効果的に活用できる、バイオNERタスクのための単純で効果的な硬度誘導型ドメイン適応(HGDA)フレームワークを提案する。 バイオメディカルデータセットの実験結果から、我々のモデルは、最近発表されたSOTA(State-of-the-art) MetaNERモデルよりも顕著な性能向上を達成できることが示された。

関連論文リスト

• BioMNER: A Dataset for Biomedical Method Entity Recognition [25.403593761614424]
  本稿では,生物医学的手法による実体認識のための新しいデータセットを提案する。 我々は、人間のアノテーションを支援するために、自動的なBioMethodエンティティ認識と情報検索システムを採用している。 実験の結果,言語モデルのパラメータ数が大きくなると,実体抽出パターンの有効同化が著しく阻害されることが判明した。
  論文  参考訳（メタデータ） (2024-06-28T16:34:24Z)
• Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings [1.5703963908242198]
  本稿では,適応親和性に基づく蒸留とカーネルベースの蒸留をシームレスに組み合わせた,新しい関係に基づく知識フレームワークを提案する。 革新的アプローチを検証するために,我々は公開されている複数ソースのMRIデータについて実験を行った。
  論文  参考訳（メタデータ） (2024-04-03T13:35:51Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Extrinsic Factors Affecting the Accuracy of Biomedical NER [0.1529342790344802]
  バイオメディカル・ネーム・エンティティ・認識(NER)は、臨床テキスト中の構造化情報を特定することを目的とした批判的タスクである。 バイオメディカル領域のNERは、限られたデータ可用性のために困難である。
  論文  参考訳（メタデータ） (2023-05-29T15:29:49Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Fine-Tuning Large Neural Language Models for Biomedical Natural Language Processing [55.52858954615655]
  バイオメディカルNLPの微調整安定性に関する系統的研究を行った。 我々は、特に低リソース領域において、微調整性能は事前トレーニング設定に敏感であることを示した。 これらの技術は低リソースバイオメディカルNLPアプリケーションの微調整性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-12-15T04:20:35Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• An Experimental Evaluation of Transformer-based Language Models in the Biomedical Domain [0.984441002699829]
  本稿では,BioBERTの複製実験と,バイオメディカル領域における事前学習と微調整について概説する。 また、下流の生物医学的NLPタスクにおけるドメイン固有およびドメイン非依存の事前訓練モデルの有効性についても検討する。
  論文  参考訳（メタデータ） (2020-12-31T03:09:38Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)

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。