論文の概要: FSUIE: A Novel Fuzzy Span Mechanism for Universal Information Extraction
- arxiv url: http://arxiv.org/abs/2306.14913v1
- Date: Mon, 19 Jun 2023 15:59:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-02 13:27:41.583524
- Title: FSUIE: A Novel Fuzzy Span Mechanism for Universal Information Extraction
- Title(参考訳): fsuie:ユニバーサル情報抽出のための新しいファジィスパン機構
- Authors: Tianshuo Peng, Zuchao Li, Lefei Zhang, Bo Du, Hai Zhao
- Abstract要約: ユニバーサル情報抽出(UIE)は、様々な情報抽出(IE)タスクの統一フレームワークとして導入された。
本稿ではファジィスパンユニバーサル情報抽出(FSUIE)フレームワークを提案する。
具体的には、ファジィ・スパン・ロス(fuzzy span loss)とファジィ・スパン・アテンション(fuzzy span attention)という2つの概念で構成されています。
- 参考スコア(独自算出の注目度): 109.52244418498974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Universal Information Extraction (UIE) has been introduced as a unified
framework for various Information Extraction (IE) tasks and has achieved
widespread success. Despite this, UIE models have limitations. For example,
they rely heavily on span boundaries in the data during training, which does
not reflect the reality of span annotation challenges. Slight adjustments to
positions can also meet requirements. Additionally, UIE models lack attention
to the limited span length feature in IE. To address these deficiencies, we
propose the Fuzzy Span Universal Information Extraction (FSUIE) framework.
Specifically, our contribution consists of two concepts: fuzzy span loss and
fuzzy span attention. Our experimental results on a series of main IE tasks
show significant improvement compared to the baseline, especially in terms of
fast convergence and strong performance with small amounts of data and training
epochs. These results demonstrate the effectiveness and generalization of FSUIE
in different tasks, settings, and scenarios.
- Abstract(参考訳): ユニバーサル情報抽出(UIE)は、様々な情報抽出(IE)タスクの統一フレームワークとして導入され、広く成功している。
それにもかかわらず、uieモデルには制限がある。
例えば、トレーニング中のデータのスパンバウンダリに大きく依存しているため、スパンアノテーションの課題の現実を反映していない。
位置の調整も要求を満たすことができる。
さらに、UIEモデルはIEの制限された長さ機能に注意を払わない。
これらの欠陥に対処するために,ファジィスパンユニバーサル情報抽出(FSUIE)フレームワークを提案する。
具体的には、私たちの貢献はファジィスパンロスとファジィスパンアテンションという2つのコンセプトで構成されています。
一連のメインIEタスクに関する実験結果は,特にデータ量の少ない高速収束と強靭な性能の点において,ベースラインに比べて顕著な改善が見られた。
これらの結果は、異なるタスク、設定、シナリオにおけるFSUIEの有効性と一般化を示す。
関連論文リスト
- IEPile: Unearthing Large-Scale Schema-Based Information Extraction
Corpus [40.190368213538115]
IEPileは、約0.32Bのトークンを含む包括的バイリンガル(英語と中国語)IE命令コーパスである。
我々は,既存のIEデータセット33件の収集とクリーニングによってIEPileを構築し,大規模なコーパスを探索するためにスキーマベースの命令生成を導入する。
論文 参考訳(メタデータ) (2024-02-22T17:11:38Z) - Mirror: A Universal Framework for Various Information Extraction Tasks [28.43708291298155]
我々は、様々なIEタスク、すなわちMirrorのための普遍的なフレームワークを提案する。
我々は,既存のIEタスクをマルチスパン巡回グラフ抽出問題として再評価し,非自己回帰グラフ復号アルゴリズムを考案した。
我々のモデルは、SOTAシステムとの互換性や性能に優れ、競争性能に優れています。
論文 参考訳(メタデータ) (2023-11-09T14:58:46Z) - UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series
Forecasting [59.11817101030137]
この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。
効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。
効果的なドメイン間時系列学習のためのUniTimeを提案する。
論文 参考訳(メタデータ) (2023-10-15T06:30:22Z) - Quantifying Overfitting: Introducing the Overfitting Index [0.0]
オーバーフィッティング(overfitting)とは、トレーニングデータでは優れたパフォーマンスを示すが、目に見えないデータではフェールである。
本稿では、モデルが過度に適合する傾向を定量的に評価するために考案された新しい指標であるOverfitting Index(OI)を紹介する。
我々の結果は、アーキテクチャ全体にわたる変数過度な振る舞いを強調し、データ拡張による緩和的な影響を強調します。
論文 参考訳(メタデータ) (2023-08-16T21:32:57Z) - Aux-Drop: Handling Haphazard Inputs in Online Learning Using Auxiliary
Dropouts [74.36807934829629]
Aux-Dropはオンライン学習のための補助的なドロップアウト正規化戦略である。
従来のドロップアウト正規化方式をハファザード入力特徴空間に適用する。
特に補助的特徴と基本特徴の共適応を防ぐのに役立ちます。
論文 参考訳(メタデータ) (2023-03-09T10:15:03Z) - Generalization with Lossy Affordances: Leveraging Broad Offline Data for
Learning Visuomotor Tasks [65.23947618404046]
本研究では,広範囲なデータを用いたオフライン強化学習を通じて,時間的拡張タスクの目標条件付きポリシを取得するフレームワークを提案する。
新たなタスク目標に直面した場合、フレームワークは余裕モデルを使用して、元のタスクをより簡単な問題に分解するサブゴールとして、損失のある表現のシーケンスを計画する。
我々は,従来の作業からロボット体験の大規模データセットを事前学習し,手動の報酬工学を使わずに視覚入力から,新しいタスクを効率的に微調整できることを実証した。
論文 参考訳(メタデータ) (2022-10-12T21:46:38Z) - Unified Structure Generation for Universal Information Extraction [58.89057387608414]
UIEは、異なるIEタスクを普遍的にモデル化し、ターゲット構造を適応的に生成し、異なる知識ソースから一般的なIE能力を協調的に学習することができる。
実験によると、UIEは4つのIEタスク、13のデータセット、およびすべての教師付き、低リソース、数ショット設定で最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2022-03-23T08:49:29Z) - Deep Frequency Filtering for Domain Generalization [55.66498461438285]
Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。
本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。
提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
論文 参考訳(メタデータ) (2022-03-23T05:19:06Z) - MoFE: Mixture of Factual Experts for Controlling Hallucinations in
Abstractive Summarization [18.464765966462135]
MoFE(Mixture of Factual Experts)モデルは、特定のタイプのエラーをターゲットとする複数の要約専門家を組み合わせたモデルである。
BARTモデルの実験では、MoFEはエンティティの重複と依存性の弧の包含の両方に応じてパフォーマンスを改善する。
論文 参考訳(メタデータ) (2021-10-14T06:02:54Z) - Uncovering Main Causalities for Long-tailed Information Extraction [14.39860866665021]
データセットの選択バイアスによって引き起こされる長い尾の分布は、誤った相関をもたらす可能性がある。
これは、データの背後にある主な因果関係を明らかにすることを目的とした、新しいフレームワークである。
論文 参考訳(メタデータ) (2021-09-11T08:08:24Z)
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。