論文の概要: Augmenting Document-level Relation Extraction with Efficient Multi-Supervision

• arxiv url: http://arxiv.org/abs/2407.01026v1
• Date: Mon, 1 Jul 2024 07:22:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 22:29:17.384060
• Title: Augmenting Document-level Relation Extraction with Efficient Multi-Supervision
• Title（参考訳）: 効率的なマルチスーパービジョンによる文書レベルの関係抽出
• Authors: Xiangyu Lin, Weijia Jia, Zhiguo Gong,
• Abstract要約: 文書レベルの関係抽出に有効なマルチスーパービジョンを提案する。 遠方の監督と専門家の監督を合わせて、マルチスーパービジョン・ランキング・ロスでモデルをトレーニングします。 実験により,既存のベースラインよりも高い時間効率でモデル性能を向上させる方法の有効性を実証した。
• 参考スコア（独自算出の注目度）: 23.123702003860103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite its popularity in sentence-level relation extraction, distantly supervised data is rarely utilized by existing work in document-level relation extraction due to its noisy nature and low information density. Among its current applications, distantly supervised data is mostly used as a whole for pertaining, which is of low time efficiency. To fill in the gap of efficient and robust utilization of distantly supervised training data, we propose Efficient Multi-Supervision for document-level relation extraction, in which we first select a subset of informative documents from the massive dataset by combining distant supervision with expert supervision, then train the model with Multi-Supervision Ranking Loss that integrates the knowledge from multiple sources of supervision to alleviate the effects of noise. The experiments demonstrate the effectiveness of our method in improving the model performance with higher time efficiency than existing baselines.
• Abstract（参考訳）: 文レベルの関係抽出に人気があるにもかかわらず、そのノイズ性や情報密度の低さから文書レベルの関係抽出において、遠隔教師付きデータは既存の研究ではほとんど利用されない。 現在の応用の中では、遠方の教師付きデータが主に、時間効率の低い関連するものとして使用される。 遠距離監視と専門家監督を併用した大規模データセットから情報化文書のサブセットを選定し,複数の監督源からの知識を統合したマルチスーパービジョンランキングロスを用いて学習し,ノイズの影響を緩和する文書レベルの関係抽出のための効率的なマルチスーパービジョンを提案する。 実験では,既存のベースラインよりも高い時間効率でモデル性能を向上させる方法の有効性を実証した。

関連論文リスト

• Multi-News+: Cost-efficient Dataset Cleansing via LLM-based Data Annotation [9.497148303350697]
  本稿では,LCMに基づくデータアノテーションの適用を拡大し,既存のデータセットの品質を向上させるケーススタディを提案する。 具体的には、連鎖や多数決のようなアプローチを利用して、人間のアノテーションを模倣し、Multi-Newsデータセットから無関係な文書を分類する。
  論文  参考訳（メタデータ） (2024-04-15T11:36:10Z)
• Improving a Named Entity Recognizer Trained on Noisy Data with a Few Clean Instances [55.37242480995541]
  クリーンなインスタンスの小さなセットから,ノイズの多いNERデータを誘導することで,ノイズを発生させる手法を提案する。 メインのNERモデルとともに、判別器モデルをトレーニングし、その出力を使用してサンプルの重み付けを校正します。 クラウドソーシングと遠隔監視データセットの結果から,提案手法は少ないガイダンスセットで継続的に性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-10-25T17:23:37Z)
• PromptRE: Weakly-Supervised Document-Level Relation Extraction via Prompting-Based Data Programming [30.597623178206874]
  本稿では,文書レベルの関係抽出手法であるPromptREを提案する。 PromptREは、ラベルの配布とエンティティタイプを事前知識として組み込んでパフォーマンスを向上させる。 文書レベルの関係抽出のためのベンチマークデータセットであるReDocREDの実験結果は、ベースラインアプローチよりもPromptREの方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T17:23:17Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Towards Sequence Utility Maximization under Utility Occupancy Measure [53.234101208024335]
  データベースでは、ユーティリティは各パターンに対して柔軟な基準であるが、ユーティリティ共有を無視するため、より絶対的な基準である。 まず、まず、シーケンスデータに対するユーティリティの占有を定義し、高ユーティリティ・アクシデント・パターンマイニングの問題を提起する。 SuMU(Sequence Utility Maximization with Utility cccupancy measure)と呼ばれるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T17:28:53Z)
• An Unsupervised Masking Objective for Abstractive Multi-Document News Summarization [25.003237546244108]
  単純な教師なしマスキングの目的が,抽象的な多文書ニュース要約における教師あり性能に近づきうることを示す。 本手法は,現在最先端のニューラルネットワーク要約モデルを用いて,最も語彙中心性の高いマスクアウトソース文書の予測を行う。
  論文  参考訳（メタデータ） (2022-01-07T04:19:53Z)
• 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)
• Semi-Supervised Active Learning with Temporal Output Discrepancy [42.01906895756629]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-07-29T16:25:56Z)
• Denoising Relation Extraction from Document-level Distant Supervision [92.76441007250197]
  本稿では,文書レベルのDSデータを複数の事前学習タスクで認知するDocREのための新しい事前学習モデルを提案する。 大規模DocREベンチマーク実験の結果,ノイズの多いDSデータから有用な情報を抽出し,有望な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-11-08T02:05:25Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。