論文の概要: Cross-Domain Few-Shot Relation Extraction via Representation Learning and Domain Adaptation

• arxiv url: http://arxiv.org/abs/2212.02560v1
• Date: Mon, 5 Dec 2022 19:34:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 15:38:37.081780
• Title: Cross-Domain Few-Shot Relation Extraction via Representation Learning and Domain Adaptation
• Title（参考訳）: 表現学習とドメイン適応によるドメイン間Few-Shot関係抽出
• Authors: Zhongju Yuan, Zhenkun Wang and Genghui Li
• Abstract要約: ドメイン間数ショット関係抽出は,既存の数ショット学習手法において大きな課題となる。 本稿では,この問題に対処するために,少数ショット学習とドメイン適応を併用した手法を提案する。 ベンチマークFewRelデータセットの実験結果から,提案手法が最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.1602089225841632
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cross-domain few-shot relation extraction poses a great challenge for the existing few-shot learning methods and domain adaptation methods when the source domain and target domain have large discrepancies. This paper proposes a method by combining the idea of few-shot learning and domain adaptation to deal with this problem. In the proposed method, an encoder, learned by optimizing a representation loss and an adversarial loss, is used to extract the relation of sentences in the source and target domain. The representation loss, including a cross-entropy loss and a contrastive loss, makes the encoder extract the relation of the source domain and keep the geometric structure of the classes in the source domain. And the adversarial loss is used to merge the source domain and target domain. The experimental results on the benchmark FewRel dataset demonstrate that the proposed method can outperform some state-of-the-art methods.
• Abstract（参考訳）: ドメイン間の少数ショット関係抽出は、ソースドメインとターゲットドメインに大きな差異がある場合、既存の少数ショット学習法やドメイン適応法において大きな課題となる。 本稿では,この問題に対処するために,少人数学習とドメイン適応を組み合わせる手法を提案する。 提案手法では,表現損失と敵対損失を最適化して学習したエンコーダを用いて,ソース領域とターゲット領域における文の関係を抽出する。 クロスエントロピー損失とコントラスト損失を含む表現損失は、エンコーダがソースドメインの関係を抽出し、ソースドメイン内のクラスの幾何学的構造を保持する。 そして、敵の損失はソースドメインとターゲットドメインをマージするために使用されます。 ベンチマークFewRelデータセットの実験結果から,提案手法が最先端の手法より優れていることが示された。

関連論文リスト

• Multi-Relational Graph Neural Network for Out-of-Domain Link Prediction [12.475382123139024]
  本稿では,領域外一般化問題に対処するため,GOODと呼ばれる新しいグラフニューラルネットワークモデルを提案する。 GOODは、既知の関係タイプから予測を効果的に一般化し、最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2024-03-17T18:08:22Z)
• 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)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• 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)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Prototypical Representation Learning for Relation Extraction [56.501332067073065]
  本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。 文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。 いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T08:11:43Z)
• 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 Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• 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)

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。