論文の概要: Large Margin Prototypical Network for Few-shot Relation Classification with Fine-grained Features

• arxiv url: http://arxiv.org/abs/2409.04009v1
• Date: Fri, 6 Sep 2024 03:28:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 16:48:15.986380
• Title: Large Margin Prototypical Network for Few-shot Relation Classification with Fine-grained Features
• Title（参考訳）: 細粒度特徴量を用いたファウショット関係分類のための大規模マージン型ネットワーク
• Authors: Miao Fan, Yeqi Bai, Mingming Sun, Ping Li,
• Abstract要約: 関係分類(RC)は、自然言語理解と知識グラフ補完において重要な役割を担っている。 RCに対する従来のアプローチは、機能工学やディープラーニングベースに関わらず、共通タイプの関係を分類する上で有望な性能が得られる。 本稿では,数発学習がRCにとって極めて重要な課題であると考え,数発学習における計量学習の近代的枠組みを改良する。
• 参考スコア（独自算出の注目度）: 30.11073476165794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relation classification (RC) plays a pivotal role in both natural language understanding and knowledge graph completion. It is generally formulated as a task to recognize the relationship between two entities of interest appearing in a free-text sentence. Conventional approaches on RC, regardless of feature engineering or deep learning based, can obtain promising performance on categorizing common types of relation leaving a large proportion of unrecognizable long-tail relations due to insufficient labeled instances for training. In this paper, we consider few-shot learning is of great practical significance to RC and thus improve a modern framework of metric learning for few-shot RC. Specifically, we adopt the large-margin ProtoNet with fine-grained features, expecting they can generalize well on long-tail relations. Extensive experiments were conducted by FewRel, a large-scale supervised few-shot RC dataset, to evaluate our framework: LM-ProtoNet (FGF). The results demonstrate that it can achieve substantial improvements over many baseline approaches.
• Abstract（参考訳）: 関係分類(RC)は、自然言語理解と知識グラフ補完において重要な役割を担っている。 一般に、自由文文に現れる2つの利害関係を識別するタスクとして定式化される。 RCに対する従来のアプローチは、特徴工学や深層学習をベースとせず、学習のためのラベル付きインスタンスが不十分なため、認識不能な長い尾関係の大部分が残る共通タイプの関係を分類する上で、有望な性能が得られる。 本稿では,数発学習がRCにとって極めて重要な課題であると考え,数発学習における計量学習の近代的枠組みを改良する。 具体的には,大マージンのProtoNetを細かな機能で採用し,長い尾関係をうまく一般化できることを期待する。 FGF(LM-ProtoNet)というフレームワークを評価するため,大規模に監視された数発のRCデータセットであるFewRelによる大規模な実験を行った。 その結果、多くのベースラインアプローチよりも大幅に改善できることが示されている。

関連論文リスト

• Aggregation Artifacts in Subjective Tasks Collapse Large Language Models' Posteriors [74.04775677110179]
  In-context Learning (ICL) は、Large Language Models (LLM) を用いた自然言語処理の主要な手法となっている。 本研究は,低アグリゲーション,異質なアノテーションを組み合わせたアグリゲーションの結果が,プロンプトに有害なノイズを生じさせるアノテーションのアーティファクトに繋がるかどうかを考察する。 この結果から,アグリゲーションは主観的タスクのモデル化において不明瞭な要因であり,代わりに個人をモデリングすることを重視することが示唆された。
  論文  参考訳（メタデータ） (2024-10-17T17:16:00Z)
• Relation Extraction with Fine-Tuned Large Language Models in Retrieval Augmented Generation Frameworks [0.0]
  関係抽出(RE)は、構造化されていないデータを知識グラフ(KG)のような構造化形式に変換するために重要である プレトレーニング言語モデル(PLM)を活用した最近の研究は、この分野で大きな成功を収めている。 本研究では、微調整LDMの性能と、Retrieval Augmented-based (RAG) REアプローチへの統合について検討する。
  論文  参考訳（メタデータ） (2024-06-20T21:27:57Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• SARF: Aliasing Relation Assisted Self-Supervised Learning for Few-shot Relation Reasoning [43.59319243928048]
  知識グラフ (FS-KGR) に基づく一括関係推論は, 長期データと不適切な関係を推定することを目的としている。 本稿では, Aliasing Relations を利用して, SARF と呼ばれる FS-KGR を支援する新しい自己教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-20T13:24:59Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• 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)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• RH-Net: Improving Neural Relation Extraction via Reinforcement Learning and Hierarchical Relational Searching [2.1828601975620257]
  本稿では、強化学習と階層型関係探索モジュールを用いて関係抽出を改善するRH-Netという新しいフレームワークを提案する。 次に、データリッチクラスとデータポーアクラス間の相関インスタンスのセマンティクスを共有する階層的関係探索モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-27T12:50:27Z)
• Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
  本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。 MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。 我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-05-09T10:09:13Z)
• Exploring Long Tail Visual Relationship Recognition with Large Vocabulary [40.51076584921913]
  我々は,Long-Tail Visual Relationship Recognition(LTVRR)の課題に関する最初の大規模研究を行っている。 LTVRRは、ロングテールから得られる構造化された視覚的関係の学習を改善することを目的としている。 VG8K-LTとGQA-LTという2つのLTVRR関連ベンチマークを導入する。
  論文  参考訳（メタデータ） (2020-03-25T19:03:29Z)

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。