論文の概要: DiffusionNER: Boundary Diffusion for Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2305.13298v1
• Date: Mon, 22 May 2023 17:56:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 13:42:04.521267
• Title: DiffusionNER: Boundary Diffusion for Named Entity Recognition
• Title（参考訳）: DiffusionNER: 名前付きエンティティ認識のための境界拡散
• Authors: Yongliang Shen, Kaitao Song, Xu Tan, Dongsheng Li, Weiming Lu, Yueting Zhuang
• Abstract要約: DiffusionNERは、エンティティ認識タスクをバウンダリデノナイズ拡散プロセスとして定義する。 提案された境界変性拡散過程は、進行的な微細化と物質の動的サンプリングを可能にする。 複数のフラットなNERデータセットとネストされたNERデータセットの実験では、DiffusionNERが従来の最先端モデルと同等あるいはそれ以上のパフォーマンスを達成したことが示されている。
• 参考スコア（独自算出の注目度）: 70.69102755044663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose DiffusionNER, which formulates the named entity recognition task as a boundary-denoising diffusion process and thus generates named entities from noisy spans. During training, DiffusionNER gradually adds noises to the golden entity boundaries by a fixed forward diffusion process and learns a reverse diffusion process to recover the entity boundaries. In inference, DiffusionNER first randomly samples some noisy spans from a standard Gaussian distribution and then generates the named entities by denoising them with the learned reverse diffusion process. The proposed boundary-denoising diffusion process allows progressive refinement and dynamic sampling of entities, empowering DiffusionNER with efficient and flexible entity generation capability. Experiments on multiple flat and nested NER datasets demonstrate that DiffusionNER achieves comparable or even better performance than previous state-of-the-art models.
• Abstract（参考訳）: 本稿では,名前付きエンティティ認識タスクを境界決定拡散プロセスとして定式化し,ノイズキャンバスから名前付きエンティティを生成するDiffusionNERを提案する。 トレーニング中、DiffusionNERは、固定された前方拡散過程によってゴールデンエンティティ境界にノイズを徐々に加え、逆拡散過程を学び、エンティティ境界を回復する。 推論において、DiffusionNERはまず標準ガウス分布からいくつかのノイズスパンをランダムにサンプリングし、学習された逆拡散過程でデノケートすることで名前付きエンティティを生成する。 提案した境界変性拡散プロセスは, 効率よくフレキシブルなエンティティ生成能力を有する拡散NERを増強し, 実体の漸進的精製と動的サンプリングを可能にする。 複数のフラットなNERデータセットとネストされたNERデータセットの実験では、DiffusionNERが従来の最先端モデルと同等あるいはそれ以上のパフォーマンスを達成した。

関連論文リスト

• PartDiff: Image Super-resolution with Partial Diffusion Models [3.8435187580887717]
  拡散確率モデル(DDPM)は,様々な画像生成タスクにおいて顕著な性能を達成している。 DDPMは、ランダムノイズから反復的にデノイングすることで、新しいデータを生成する。 しかし、拡散に基づく生成モデルは、多くのデノナイジングステップのために高い計算コストに悩まされる。 本稿では,部分拡散モデル (PartDiff) を提案する。
  論文  参考訳（メタデータ） (2023-07-21T22:11:23Z)
• Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
  Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。 暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。 提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-21T18:49:22Z)
• Blackout Diffusion: Generative Diffusion Models in Discrete-State Spaces [0.0]
  前方拡散過程における任意の離散状態マルコフ過程の理論的定式化を開発する。 例えばBlackout Diffusion'は、ノイズからではなく、空のイメージからサンプルを生成することを学習する。
  論文  参考訳（メタデータ） (2023-05-18T16:24:12Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• DiffusionInst: Diffusion Model for Instance Segmentation [15.438504077368936]
  DiffusionInstはインスタンスをインスタンス認識フィルタとして表現する新しいフレームワークである。 RPNからの誘導バイアスを伴わずに、ノイズの多い基底構造を逆転するように訓練されている。 既存のインスタンスセグメンテーションモデルと比較して、競争力のあるパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-12-06T05:52:12Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)
• On Analyzing Generative and Denoising Capabilities of Diffusion-based Deep Generative Models [18.018935233383935]
  拡散に基づくDeep Generative Models (DDGM)は、生成モデルにおける最先端のパフォーマンスを提供する。 後方拡散過程において, 少量のノイズがどのように変換されるかを検討する。
  論文  参考訳（メタデータ） (2022-05-31T19:29:27Z)
• Truncated Diffusion Probabilistic Models and Diffusion-based Adversarial Auto-Encoders [137.1060633388405]
  拡散に基づく生成モデルは、逆拡散連鎖を推論してデータを生成する方法を学ぶ。 我々は、データが純粋なランダムノイズになるまで、より高速で安価にノイズを付加するアプローチを提案する。 提案手法は,拡散過程と学習可能な暗黙的前処理の両方によって付与された逆自動エンコーダとしてキャスト可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-19T20:18:49Z)
• Denoising Diffusion Gamma Models [91.22679787578438]
  Denoising Diffusion Gamma Model (DDGM)を導入し、ガンマ分布からのノイズが画像および音声生成に改善をもたらすことを示す。 提案手法は,ガンマノイズを用いてトレーニング拡散過程の状態を効率的にサンプリングする能力を保持する。
  論文  参考訳（メタデータ） (2021-10-10T10:46:31Z)

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。