Fugu-MT 論文翻訳(概要): GLiREL -- Generalist Model for Zero-Shot Relation Extraction

論文の概要: GLiREL -- Generalist Model for Zero-Shot Relation Extraction

arxiv url: http://arxiv.org/abs/2501.03172v1
Date: Mon, 06 Jan 2025 17:42:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-07 17:10:00.486111
Title: GLiREL -- Generalist Model for Zero-Shot Relation Extraction
Title（参考訳）: GLiREL -- ゼロショット関係抽出のための一般モデル
Authors: Jack Boylan, Chris Hokamp, Demian Gholipour Ghalandari,
Abstract要約: ゼロショット関係分類のための効率的なアーキテクチャとトレーニングパラダイムであるGLiRELを紹介する。 FewRel と WikiZSL のベンチマークを用いた実験により,本手法が最先端の結果を得ることを示す。
参考スコア（独自算出の注目度）: 3.3748750222488657
License:
Abstract: We introduce GLiREL (Generalist Lightweight model for zero-shot Relation Extraction), an efficient architecture and training paradigm for zero-shot relation classification. Inspired by recent advancements in zero-shot named entity recognition, this work presents an approach to efficiently and accurately predict zero-shot relationship labels between multiple entities in a single forward pass. Experiments using the FewRel and WikiZSL benchmarks demonstrate that our approach achieves state-of-the-art results on the zero-shot relation classification task. In addition, we contribute a protocol for synthetically-generating datasets with diverse relation labels.
Abstract（参考訳）: GLiREL (Generalist Lightweight model for zero-shot Relation extract) は、ゼロショット関係分類のための効率的なアーキテクチャと訓練パラダイムである。この研究は、ゼロショット名付きエンティティ認識の最近の進歩に触発され、単一の前方通過において複数のエンティティ間のゼロショット関係ラベルを効率よく正確に予測するアプローチを提案する。 FewRel と WikiZSL ベンチマークを用いた実験により,ゼロショット関係分類タスクにおける最先端結果が得られた。さらに,多様な関係ラベルを持つデータセットを合成生成するためのプロトコルも提案する。

関連論文リスト

Enabling Small Models for Zero-Shot Classification through Model Label Learning [50.68074833512999]
モデルと機能の間のギャップを埋める新しいパラダイムであるモデルラベル学習(MLL)を導入する。 7つの実世界のデータセットの実験により、MLLの有効性と効率が検証された。
論文参考訳（メタデータ） (2024-08-21T09:08:26Z)
Identifying Factual Inconsistencies in Summaries: Grounding LLM Inference via Task Taxonomy [48.29181662640212]
事実的矛盾は、生成モデルによる忠実な要約にとって重要なハードルとなる。我々は,要約中の不整合事実のキーエラータイプを集約し,ゼロショットと教師付きパラダイムの両方を容易にするためにそれらを組み込んだ。
論文参考訳（メタデータ） (2024-02-20T08:41:23Z)
ZeroG: Investigating Cross-dataset Zero-shot Transferability in Graphs [36.749959232724514]
ZeroGは、クロスデータセットの一般化を可能にするために設計された新しいフレームワークである。特徴の不整合、ラベル空間の整合、負の移動といった、固有の課題に対処する。本稿では,抽出したサブグラフの意味情報と構造情報を豊かにするための,プロンプトベースのサブグラフサンプリングモジュールを提案する。
論文参考訳（メタデータ） (2024-02-17T09:52:43Z)
Enhancing Label Sharing Efficiency in Complementary-Label Learning with Label Augmentation [92.4959898591397]
学習中に近隣の事例における補完ラベルの暗黙的な共有を分析した。相補的なラベル拡張による共有効率を向上させる新しい手法を提案する。実験結果から,従来のCLLモデルよりも相補的ラベル拡張により経験的性能が向上することが確認された。
論文参考訳（メタデータ） (2023-05-15T04:43:14Z)
PCRED: Zero-shot Relation Triplet Extraction with Potential Candidate Relation Selection and Entity Boundary Detection [11.274924966891842]
ゼロショット関係三重項抽出(ZeroRTE)は、非構造化テキストから関係三重項を抽出することを目的としている。従来の最先端の手法は、事前訓練された言語モデルを利用して、追加のトレーニングサンプルとしてデータを生成することで、この困難なタスクを処理する。我々は,この課題を新たな視点から解決し,候補関係選択とエンティティ境界検出を併用した PCRED for ZeroRTE という新しい手法を提案する。
論文参考訳（メタデータ） (2022-11-26T04:27:31Z)
Cross-modal Representation Learning for Zero-shot Action Recognition [67.57406812235767]
我々は、ゼロショット動作認識(ZSAR)のためのビデオデータとテキストラベルを共同で符号化するクロスモーダルトランスフォーマーベースのフレームワークを提案する。我々のモデルは概念的に新しいパイプラインを使用し、視覚的表現と視覚的意味的関連をエンドツーエンドで学習する。実験結果から,本モデルはZSARの芸術的状況に大きく改善され,UCF101,HMDB51,ActivityNetベンチマークデータセット上でトップ1の精度が向上した。
論文参考訳（メタデータ） (2022-05-03T17:39:27Z)
RelationPrompt: Leveraging Prompts to Generate Synthetic Data for Zero-Shot Relation Triplet Extraction [65.4337085607711]
ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
論文参考訳（メタデータ） (2022-03-17T05:55:14Z)
CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
論文参考訳（メタデータ） (2021-01-18T12:46:24Z)
A Frustratingly Easy Approach for Entity and Relation Extraction [25.797992240847833]
本稿では,エンティティと関係抽出のための簡単なパイプライン化手法を提案する。標準ベンチマーク(ACE04、ACE05、SciERC)における新しい最先端技術を確立する。このアプローチは基本的に2つの独立したエンコーダ上に構築され、単にエンティティモデルを使用して関係モデルの入力を構築します。
論文参考訳（メタデータ） (2020-10-24T07:14:01Z)
Clustering-based Unsupervised Generative Relation Extraction [3.342376225738321]
クラスタリングに基づく教師なし生成関係抽出フレームワーク(CURE)を提案する。我々は「エンコーダ・デコーダ」アーキテクチャを用いて自己教師付き学習を行い、エンコーダが関係情報を抽出できるようにする。我々のモデルは、ニューヨーク・タイムズ(NYT)と国連並列コーパス(UNPC)の標準データセットにおいて、最先端モデルよりも優れている。
論文参考訳（メタデータ） (2020-09-26T20:36:40Z)

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。