論文の概要: Actively Supervised Clustering for Open Relation Extraction

• arxiv url: http://arxiv.org/abs/2306.04968v1
• Date: Thu, 8 Jun 2023 06:55:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 16:06:25.147605
• Title: Actively Supervised Clustering for Open Relation Extraction
• Title（参考訳）: オープンリレーション抽出のためのアクティブ教師付きクラスタリング
• Authors: Jun Zhao, Yongxin Zhang, Qi Zhang, Tao Gui, Zhongyu Wei, Minlong Peng, Mingming Sun
• Abstract要約: 本稿では,OpenREのためのアクティブなクラスタリングという,新しい設定を提案する。 設定の鍵は、どのインスタンスにラベルを付けるかを選択することである。 本稿では,未知の関係のクラスタを動的に発見する手法を提案する。
• 参考スコア（独自算出の注目度）: 42.114747195195655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current clustering-based Open Relation Extraction (OpenRE) methods usually adopt a two-stage pipeline. The first stage simultaneously learns relation representations and assignments. The second stage manually labels several instances and thus names the relation for each cluster. However, unsupervised objectives struggle to optimize the model to derive accurate clustering assignments, and the number of clusters has to be supplied in advance. In this paper, we present a novel setting, named actively supervised clustering for OpenRE. Our insight lies in that clustering learning and relation labeling can be alternately performed, providing the necessary guidance for clustering without a significant increase in human effort. The key to the setting is selecting which instances to label. Instead of using classical active labeling strategies designed for fixed known classes, we propose a new strategy, which is applicable to dynamically discover clusters of unknown relations. Experimental results show that our method is able to discover almost all relational clusters in the data and improve the SOTA methods by 10.3\% and 5.2\%, on two datasets respectively.
• Abstract（参考訳）: 現在のクラスタリングベースのOpen Relation extract(OpenRE)メソッドは通常、2段階のパイプラインを採用する。 第1段階は、関係表現と代入を同時に学習する。 第2ステージは手動で複数のインスタンスをラベル付けし、各クラスタの関係を命名する。 しかし、教師なしの目標は、正確なクラスタリング割り当てを導出するためにモデルを最適化するのに苦労し、クラスタの数を事前に提供する必要があります。 本稿では,OpenREのためのアクティブなクラスタリングという,新しい設定を提案する。 私たちの洞察は、クラスタリングの学習と関係のラベリングを交互に行うことができ、人間の労力を大幅に増加させることなく、クラスタリングに必要なガイダンスを提供します。 設定の鍵は、どのインスタンスにラベルを付けるかを選択することである。 固定された既知のクラス向けに設計された古典的なアクティブなラベリング戦略を使う代わりに、未知の関係のクラスタを動的に発見する新しい戦略を提案する。 実験結果から,本手法はデータ中のほぼすべての関係クラスタを検出し,SOTA法を2つのデータセットでそれぞれ10.3\%,5.2\%改善できることがわかった。

関連論文リスト

• Beyond Known Clusters: Probe New Prototypes for Efficient Generalized Class Discovery [23.359450657842686]
  Generalized Class Discovery (GCD) はラベル付きデータから学んだ知識に基づいてラベルを部分的にラベル付きデータに動的に割り当てることを目的としている。 本稿では,学習可能な潜在的なプロトタイプを導入し,クラスタプロトタイプを拡張する適応型探索機構を提案する。 我々の手法は、スタンフォード・カーズ・データセットの9.7%の差で、最も近い競合相手を上回っている。
  論文  参考訳（メタデータ） (2024-04-13T12:41:40Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Oracle-guided Contrastive Clustering [28.066047266687058]
  Oracle-Guided Contrastive Clustering(OCC)は,ユニークな要求を持ったオーラクルに対して,ペアワイズで同クラスタ"クエリを対話的に作成することで,クラスタリングを実現する。 私たちの知る限りでは、パーソナライズされたクラスタリングを実行する最初のディープフレームワークです。
  論文  参考訳（メタデータ） (2022-11-01T12:05:12Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• A Relation-Oriented Clustering Method for Open Relation Extraction [18.20811491136624]
  関係指向クラスタリングモデルを提案し,それを用いてラベルなしデータの新しい関係を同定する。 我々は、インスタンスを対応する関係セントロイドに向かって集めることで、同じ関係を持つインスタンス間の距離を最小化する。 実験の結果,2つのデータセットに対して誤差率を29.2%,15.7%削減できることがわかった。
  論文  参考訳（メタデータ） (2021-09-15T10:46:39Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)

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。