論文の概要: Towards a More Generalized Approach in Open Relation Extraction

• arxiv url: http://arxiv.org/abs/2505.22801v1
• Date: Wed, 28 May 2025 19:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.499493
• Title: Towards a More Generalized Approach in Open Relation Extraction
• Title（参考訳）: オープンリレーション抽出におけるより一般化されたアプローチに向けて
• Authors: Qing Wang, Yuepei Li, Qiao Qiao, Kang Zhou, Qi Li,
• Abstract要約: 本稿では,ラベルのないデータを既知のインスタンスと新規インスタンスの混在とみなす,一般化されたOpenRE設定を提案する。 3つのベンチマークデータセットの実験により、MixOREは既知の関係分類と新しい関係クラスタリングにおいて競争ベースラインを一貫して上回っていることが示された。
• 参考スコア（独自算出の注目度）: 14.801411392475439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open Relation Extraction (OpenRE) seeks to identify and extract novel relational facts between named entities from unlabeled data without pre-defined relation schemas. Traditional OpenRE methods typically assume that the unlabeled data consists solely of novel relations or is pre-divided into known and novel instances. However, in real-world scenarios, novel relations are arbitrarily distributed. In this paper, we propose a generalized OpenRE setting that considers unlabeled data as a mixture of both known and novel instances. To address this, we propose MixORE, a two-phase framework that integrates relation classification and clustering to jointly learn known and novel relations. Experiments on three benchmark datasets demonstrate that MixORE consistently outperforms competitive baselines in known relation classification and novel relation clustering. Our findings contribute to the advancement of generalized OpenRE research and real-world applications.
• Abstract（参考訳）: Open Relation extract (OpenRE)は、事前に定義された関係スキーマを使わずに、ラベルのないデータから名前付きエンティティ間の新しい関係事実を特定し、抽出する。 従来のOpenREの手法は、ラベルのないデータは、新しい関係のみで構成されているか、または既知の、新しい事例に事前分割されていると仮定する。 しかし、現実のシナリオでは、新しい関係は任意に分散される。 本稿では,ラベルのないデータを既知のインスタンスと新規インスタンスの両方の混在とみなす,一般化されたOpenRE設定を提案する。 そこで本研究では,関係分類とクラスタリングを統合した2段階のフレームワークMixOREを提案する。 3つのベンチマークデータセットの実験により、MixOREは既知の関係分類と新しい関係クラスタリングにおいて競争ベースラインを一貫して上回っていることが示された。 本研究は,一般化されたOpenRE研究の進展と実世界の応用に寄与する。

関連論文リスト

• Learning from Semi-Factuals: A Debiased and Semantic-Aware Framework for Generalized Relation Discovery [12.716874398564482]
  Generalized Relation Discovery (GRD) は、既存の事前定義された関係にある未ラベルのインスタンスを特定したり、新しい関係を発見することを目的としている。 本稿では,2段階の半実物から学習することで,この課題に対する新しいフレームワーク,SFGRDを提案する。 SFGRDの精度は2.36%$sim$5.78%、コサイン類似度は32.19%$sim$84.45%である。
  論文  参考訳（メタデータ） (2024-01-12T02:38:55Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Open Set Relation Extraction via Unknown-Aware Training [72.10462476890784]
  負のインスタンスを動的に合成することでモデルを正規化する未知の学習手法を提案する。 テキストの敵対的攻撃に触発されて、我々は適応的に、小さいが重要な摂動を元のトレーニングインスタンスに適用する。 実験結果から, 既知の関係の分類を損なうことなく, 未知の関係検出を行うことができた。
  論文  参考訳（メタデータ） (2023-06-08T05:45:25Z)
• Open-world Semi-supervised Generalized Relation Discovery Aligned in a Real-world Setting [45.552196581865516]
  我々は、OpenRE設定は現実世界のデータの特徴とより整合しているべきだと論じる。 KNoRDは、ラベルなしデータ内の既知のクラスや新しいクラスから、明示的で暗黙的に表現された関係を効果的に分類する。
  論文  参考訳（メタデータ） (2023-05-22T23:12:57Z)
• Active Relation Discovery: Towards General and Label-aware Open Relation Extraction [29.698830421857735]
  Open Relation extract (OpenRE)は、オープンドメインから新しい関係を発見することを目的としている。 従来のOpenRE手法は、既知の関係と新しい関係を区別する能力の不足という2つの問題に悩まされていた。 本稿では,未知関係と新規関係の識別に外乱検出を利用する能動関係探索(ARD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-08T13:01:17Z)
• A Relation-Oriented Clustering Method for Open Relation Extraction [18.20811491136624]
  関係指向クラスタリングモデルを提案し,それを用いてラベルなしデータの新しい関係を同定する。 我々は、インスタンスを対応する関係セントロイドに向かって集めることで、同じ関係を持つインスタンス間の距離を最小化する。 実験の結果,2つのデータセットに対して誤差率を29.2%,15.7%削減できることがわかった。
  論文  参考訳（メタデータ） (2021-09-15T10:46:39Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Discovering Nonlinear Relations with Minimum Predictive Information Regularization [67.7764810514585]
  本稿では,時系列から方向関係を推定する最小限の情報正規化手法を提案する。 本手法は, 合成データセットの非線形関係を学習するための他の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-01-07T04:28:00Z)

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。