論文の概要: "I've Heard of You!": Generate Spoken Named Entity Recognition Data for Unseen Entities

• arxiv url: http://arxiv.org/abs/2412.19102v1
• Date: Thu, 26 Dec 2024 07:43:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:27:07.743498
• Title: "I've Heard of You!": Generate Spoken Named Entity Recognition Data for Unseen Entities
• Title（参考訳）: I've Heard of You!」:未知のエンティティのための名前付きエンティティ認識データを生成する
• Authors: Jiawei Yu, Xiang Geng, Yuang Li, Mengxin Ren, Wei Tang, Jiahuan Li, Zhibin Lan, Min Zhang, Hao Yang, Shujian Huang, Jinsong Su,
• Abstract要約: 名前付きエンティティ認識(NER)は、名前付きエンティティを音声から識別することを目的としている。 しかし、新しい名前のエンティティが毎日現れ、Spoken NERデータに注釈をつけるのはコストがかかる。 そこで本稿では,NEDに基づく音声NERデータ生成手法を提案する。
• 参考スコア（独自算出の注目度）: 59.22329574700317
• License:
• Abstract: Spoken named entity recognition (NER) aims to identify named entities from speech, playing an important role in speech processing. New named entities appear every day, however, annotating their Spoken NER data is costly. In this paper, we demonstrate that existing Spoken NER systems perform poorly when dealing with previously unseen named entities. To tackle this challenge, we propose a method for generating Spoken NER data based on a named entity dictionary (NED) to reduce costs. Specifically, we first use a large language model (LLM) to generate sentences from the sampled named entities and then use a text-to-speech (TTS) system to generate the speech. Furthermore, we introduce a noise metric to filter out noisy data. To evaluate our approach, we release a novel Spoken NER benchmark along with a corresponding NED containing 8,853 entities. Experiment results show that our method achieves state-of-the-art (SOTA) performance in the in-domain, zero-shot domain adaptation, and fully zero-shot settings. Our data will be available at https://github.com/DeepLearnXMU/HeardU.
• Abstract（参考訳）: Spoken Name entity Recognition (NER) は、音声処理において重要な役割を担い、音声から名前付きエンティティを識別することを目的としている。 しかし、新しい名前のエンティティが毎日現れ、Spoken NERデータに注釈をつけるのはコストがかかる。 本稿では,既存のSpoken NERシステムにおいて,これまで見つからなかった名前のエンティティを扱う場合,性能が良くないことを示す。 そこで本研究では,NEDに基づく音声NERデータ生成手法を提案する。 具体的には、まず、サンプル化された名前付きエンティティから文を生成するために大きな言語モデル(LLM)を使用し、次に音声を生成するためにテキスト音声(TTS)システムを使用する。 さらに,ノイズを除去するノイズメトリックを導入する。 提案手法を評価するために,8,853個のエンティティを含む対応するNEDとともに,新しいSpoken NERベンチマークをリリースする。 実験結果から,本手法はドメイン内,ゼロショットドメイン適応,完全ゼロショット設定において,最先端(SOTA)性能を実現することが示された。 私たちのデータはhttps://github.com/DeepLearnXMU/HeardUで公開されます。

関連論文リスト

• Learning Robust Named Entity Recognizers From Noisy Data With Retrieval Augmentation [67.89838237013078]
  名前付きエンティティ認識(NER)モデルは、しばしばノイズの多い入力に悩まされる。 ノイズの多いテキストとそのNERラベルのみを利用できる、より現実的な設定を提案する。 我々は、推論中にテキストを取得することなく、堅牢なNERを改善するマルチビュートレーニングフレームワークを採用している。
  論文  参考訳（メタデータ） (2024-07-26T07:30:41Z)
• Named Entity Recognition for Address Extraction in Speech-to-Text Transcriptions Using Synthetic Data [0.0]
  本稿では,BERTアーキテクチャによる双方向表現に基づく名前付きエンティティ認識(NER)モデルの構築手法を提案する。 このNERモデルは、音声からテキストへの書き起こしから取得したデータからアドレス部分を抽出する。 合成データのみを訓練したNERモデルの性能を,小さな実データを用いて評価した。
  論文  参考訳（メタデータ） (2024-02-08T10:29:11Z)
• ACLM: A Selective-Denoising based Generative Data Augmentation Approach for Low-Resource Complex NER [47.32935969127478]
  本稿では、条件付き言語モデルファインチューニングのためのACLM注意マップ対応キーワード選択について述べる。 ACLMは、既存のNERデータ拡張技術が抱える問題であるコンテキストエンティリティミスマッチ問題を緩和する。 本稿では,ACLMがモノリンガル,クロスリンガル,多言語複合NERに対して質的かつ定量的に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-01T17:33:04Z)
• Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
  企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。 私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
  論文  参考訳（メタデータ） (2023-03-07T15:07:57Z)
• Prompt-based Text Entailment for Low-Resource Named Entity Recognition [21.017890579840145]
  低リソースなエンティティ認識のためのPTE(Prompt-based Text Entailment)を提案する。 提案手法は,CoNLL03データセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2022-11-06T06:13:38Z)
• AsNER -- Annotated Dataset and Baseline for Assamese Named Entity recognition [7.252817150901275]
  提案されたNERデータセットは、ディープニューラルネットワークベースのアサマセ言語処理のための重要なリソースである可能性が高い。 我々は、NERモデルをトレーニングしてデータセットをベンチマークし、教師付きエンティティ認識のための最先端アーキテクチャを用いて評価する。 全てのベースラインの中で最も高いF1スコアは、単語埋め込み法として MuRIL を使用する場合、80.69%の精度を達成する。
  論文  参考訳（メタデータ） (2022-07-07T16:45:55Z)
• AISHELL-NER: Named Entity Recognition from Chinese Speech [54.434118596263126]
  中国語音声からのNERのための新しいデータセットAISEHLL-NERを提案する。 その結果,ASRと事前学習したNERタグを併用することにより,性能が向上できることが示唆された。
  論文  参考訳（メタデータ） (2022-02-17T09:18:48Z)
• On the Use of External Data for Spoken Named Entity Recognition [40.93448412171246]
  近年の自己教師型音声表現の進歩により,ラベル付きデータに制限のある学習モデルを考えることが可能になった。 自己学習、知識蒸留、トランスファーラーニングなど、さまざまなアプローチを採用し、エンドツーエンドモデルとパイプラインアプローチの両方に適用性を検討する。
  論文  参考訳（メタデータ） (2021-12-14T18:49:26Z)
• End-to-end Named Entity Recognition from English Speech [51.22888702264816]
  ASRとNERのタグ付けコンポーネントを協調的に最適化するE2Eアプローチを提案する。 また,音声からのNERを用いて語彙(OOV)をASRシステムで処理する方法についても論じる。
  論文  参考訳（メタデータ） (2020-05-22T13:39:14Z)

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。