論文の概要: Entangled Relations: Leveraging NLI and Meta-analysis to Enhance Biomedical Relation Extraction

• arxiv url: http://arxiv.org/abs/2406.00226v2
• Date: Fri, 07 Mar 2025 18:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:22:38.782743
• Title: Entangled Relations: Leveraging NLI and Meta-analysis to Enhance Biomedical Relation Extraction
• Title（参考訳）: 絡み合った関係:NLIとメタアナリシスを活用して生医学的関係抽出を促進する
• Authors: William Hogan, Jingbo Shang,
• Abstract要約: そこで我々は,NLIの原理を応用し,関係抽出を強化したMetaEntailREを提案する。 我々のアプローチは,従来の多クラス分類タスクをテキスト・エンテーメントの1つに整合させて,関係クラスをクラス指示仮説に言語化することで過去の研究に追随する。 従来の手法と比較して,BioREDで17.6点,ReTACREDで13.4点,驚くほど大きなF1ゲインを観察した。
• 参考スコア（独自算出の注目度）: 35.320291731292286
• License:
• Abstract: Recent research efforts have explored the potential of leveraging natural language inference (NLI) techniques to enhance relation extraction (RE). In this vein, we introduce MetaEntailRE, a novel adaptation method that harnesses NLI principles to enhance RE performance. Our approach follows past works by verbalizing relation classes into class-indicative hypotheses, aligning a traditionally multi-class classification task to one of textual entailment. We introduce three key enhancements: (1) Meta-class analysis which, instead of labeling non-entailed premise-hypothesis pairs with the less informative "neutral" entailment label, provides additional context by analyzing overarching meta-relationships between classes; (2) Feasible hypothesis filtering, which removes unlikely hypotheses from consideration based on domain knowledge derived from data; and (3) Group-based prediction selection, which further improves performance by selecting highly confident predictions. MetaEntailRE is conceptually simple and empirically powerful, yielding significant improvements over conventional relation extraction techniques and other NLI formulations. We observe surprisingly large F1 gains of 17.6 points on BioRED and 13.4 points on ReTACRED compared to conventional methods, underscoring the versatility of MetaEntailRE across both biomedical and general domains.
• Abstract（参考訳）: 近年,関係抽出(RE)を強化するために自然言語推論(NLI)技術を活用する可能性を探っている。 本稿では,NLIの原理を応用してRE性能を向上させる新しい適応手法であるMetaEntailREを紹介する。 我々のアプローチは,従来の多クラス分類タスクをテキスト・エンテーメントの1つに整合させて,関係クラスをクラス指示仮説に言語化することで過去の研究に追随する。 メタクラス分析では,情報に乏しい「中性」包含ラベルに,非含意な前提-仮説ペアをラベル付けする代わりに,クラス間のメタ関係を網羅的に分析することで,付加的な文脈を提供する。 MetaEntailREは概念的にはシンプルで経験的に強力であり、従来の関係抽出技術や他のNLIの定式化よりも大幅に改善されている。 バイオレッドでは17.6ポイント,ReTACREDでは13.4ポイントという驚くほど大きなF1ゲインを観察し,バイオメディカルドメインと一般ドメインの両方でMetaEntailREの汎用性を実証した。

関連論文リスト

• ASTE Transformer Modelling Dependencies in Aspect-Sentiment Triplet Extraction [2.07180164747172]
  Aspect-Sentiment Triplet extract (ASTE) は、ある文から三重項(アスペクトフレーズ、意見フレーズ、感情極性)を抽出するタスクである。 最近の最先端手法は、まず与えられた文から可能な全てのスパンを抽出することで、このタスクにアプローチする。
  論文  参考訳（メタデータ） (2024-09-23T16:49:47Z)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• Improving Unsupervised Relation Extraction by Augmenting Diverse Sentence Pairs [15.87963432758696]
  非文関係抽出(URE)は、原文から名前付きエンティティ間の関係を抽出することを目的としている。 我々は,文内ペアの増補と,文間ペアの抽出による拡張を併用したAugUREを提案する。 NYT-FBとTACREDデータセットの実験は、提案した関係表現学習と単純なK-Meansクラスタリングが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-12-01T12:59:32Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• No Pairs Left Behind: Improving Metric Learning with Regularized Triplet Objective [19.32706951298244]
  サンプルマイニングやオーバーヘッドコストを伴わずにメートル法学習を改善する三重項目的関数の新たな定式化を提案する。 提案手法は,従来の3重項対象の定式化によって改善されていることを示す。
  論文  参考訳（メタデータ） (2022-10-18T00:56:01Z)
• Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
  教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。 我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
  論文  参考訳（メタデータ） (2022-08-26T19:50:46Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Self-Supervised Detection of Contextual Synonyms in a Multi-Class Setting: Phenotype Annotation Use Case [11.912581294872767]
  文脈的単語埋め込みは文脈的同義語を検出する強力なツールである。 本研究では,浅部マッチングによって生成されたデータに基づいて,概念の文脈的同義性を検出できる自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-09-04T21:35:01Z)
• Introducing Syntactic Structures into Target Opinion Word Extraction with Deep Learning [89.64620296557177]
  目的語抽出のためのディープラーニングモデルに文の構文構造を組み込むことを提案する。 また,ディープラーニングモデルの性能向上のために,新たな正規化手法を導入する。 提案モデルは,4つのベンチマークデータセット上での最先端性能を広範囲に解析し,達成する。
  論文  参考訳（メタデータ） (2020-10-26T07:13:17Z)

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。