論文の概要: Open-world Semi-supervised Generalized Relation Discovery Aligned in a Real-world Setting

• arxiv url: http://arxiv.org/abs/2305.13533v1
• Date: Mon, 22 May 2023 23:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 20:22:02.099641
• Title: Open-world Semi-supervised Generalized Relation Discovery Aligned in a Real-world Setting
• Title（参考訳）: 実世界環境におけるオープンワールド半教師付き一般化関係発見
• Authors: William Hogan, Jiacheng Li, Jingbo Shang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.03197830993974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-world Relation Extraction (OpenRE) has recently garnered significant attention. However, existing approaches tend to oversimplify the problem by assuming that all unlabeled texts belong to novel classes, thereby limiting the practicality of these methods. We argue that the OpenRE setting should be more aligned with the characteristics of real-world data. Specifically, we propose two key improvements: (a) unlabeled data should encompass known and novel classes, including hard-negative instances; and (b) the set of novel classes should represent long-tail relation types. Furthermore, we observe that popular relations such as titles and locations can often be implicitly inferred through specific patterns, while long-tail relations tend to be explicitly expressed in sentences. Motivated by these insights, we present a novel method called KNoRD (Known and Novel Relation Discovery), which effectively classifies explicitly and implicitly expressed relations from known and novel classes within unlabeled data. Experimental evaluations on several Open-world RE benchmarks demonstrate that KNoRD consistently outperforms other existing methods, achieving significant performance gains.
• Abstract（参考訳）: Open-world Relation extract (OpenRE) は近年注目されている。 しかし、既存のアプローチでは、すべての未ラベルテキストが新しいクラスに属すると仮定することで問題を単純化し、これらの手法の実用性を制限する傾向にある。 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。 具体的には,2つの改善点を提案する。 (a)ラベルなしデータは、強陰例を含む既知の新しいクラスを含むべきである。 b) 新規クラスの集合は長い尾関係型を表すべきである。 さらに、タイトルや場所などの一般的な関係は特定のパターンを通して暗黙的に推測されることが多いが、長い尾関係は文で明示的に表現される傾向がある。 そこで本研究では,KNoRD(Known and Novel Relation Discovery,ノウン・アンド・ノベル・リレーション・ディスカバリー)と呼ばれる新しい手法を提案する。 いくつかのオープンワールドREベンチマークでの実験的評価は、KNoRDが既存の手法を一貫して上回り、性能が大幅に向上していることを示している。

関連論文リスト

• Beyond the Known: Novel Class Discovery for Open-world Graph Learning [16.30962452905747]
  我々は,グラフ上の新しいクラス発見に取り組むために,オープンワールドのgRAph neuraLネットワーク(ORAL)を提案する。 ORALは、半教師付きプロトタイプ学習により、クラス間の相関を初めて検出する。 ラベル欠陥を緩和するためのマルチスケールグラフ機能を完全に探索するため、ORALは擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2024-03-29T01:25:05Z)
• Class-relation Knowledge Distillation for Novel Class Discovery [16.461242381109276]
  主な課題は、既知のクラスデータの知識を新しいクラスの学習に転送することである。 本稿では,既知のクラスに基づいて学習したモデルの予測クラス分布に基づいて,新しいクラスに対するクラス関係表現を提案する。 本稿では,クラス関係表現を利用して新しいクラスの学習を規則化する新しい知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-18T11:35:57Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• 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)
• PromptCAL: Contrastive Affinity Learning via Auxiliary Prompts for Generalized Novel Category Discovery [39.03732147384566]
  Generalized Novel Category Discovery (GNCD) 設定は、既知のクラスや新しいクラスから来るラベルなしのトレーニングデータを分類することを目的としている。 本稿では,この課題に対処するために,PromptCALと呼ばれる補助視覚プロンプトを用いたコントラスト親和性学習法を提案する。 提案手法は,クラストークンと視覚的プロンプトのための既知のクラスと新しいクラスのセマンティッククラスタリングを改善するために,信頼性の高いペアワイズサンプル親和性を発見する。
  論文  参考訳（メタデータ） (2022-12-11T20:06:14Z)
• Active Relation Discovery: Towards General and Label-aware Open Relation Extraction [29.698830421857735]
  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。
  論文  参考訳（メタデータ） (2022-11-08T13:01:17Z)
• 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)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• Open-World Semi-Supervised Learning [66.90703597468377]
  本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。 データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。 我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
  論文  参考訳（メタデータ） (2021-02-06T07:11:07Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)

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。