論文の概要: Effective Multi-Task Learning for Biomedical Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2507.18542v1
• Date: Thu, 24 Jul 2025 16:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:44.029424
• Title: Effective Multi-Task Learning for Biomedical Named Entity Recognition
• Title（参考訳）: バイオメディカル名前付きエンティティ認識のための効果的なマルチタスク学習
• Authors: João Ruano, Gonçalo M. Correia, Leonor Barreiros, Afonso Mendes,
• Abstract要約: 本稿では、複数のデータセットを統合しながらネストした名前付きエンティティを処理するために設計された新しいアプローチであるSRU-NERを紹介する。 SRU-NERは、損失計算を動的に調整することでアノテーションギャップを緩和し、与えられたデータセットに存在しないエンティティタイプのペナライズ予測を回避する。
• 参考スコア（独自算出の注目度）: 1.53387176937131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical Named Entity Recognition presents significant challenges due to the complexity of biomedical terminology and inconsistencies in annotation across datasets. This paper introduces SRU-NER (Slot-based Recurrent Unit NER), a novel approach designed to handle nested named entities while integrating multiple datasets through an effective multi-task learning strategy. SRU-NER mitigates annotation gaps by dynamically adjusting loss computation to avoid penalizing predictions of entity types absent in a given dataset. Through extensive experiments, including a cross-corpus evaluation and human assessment of the model's predictions, SRU-NER achieves competitive performance in biomedical and general-domain NER tasks, while improving cross-domain generalization.
• Abstract（参考訳）: バイオメディカル名前付きエンティティ認識は、バイオメディカル用語の複雑さとデータセット間のアノテーションの不整合により、重大な課題を呈する。 SRU-NER(Slot-based Recurrent Unit NER)は、ネストした名前付きエンティティを効果的にマルチタスク学習戦略を通じて統合しつつ、複数のデータセットを統合するように設計された新しいアプローチである。 SRU-NERは、損失計算を動的に調整することでアノテーションギャップを緩和し、与えられたデータセットに存在しないエンティティタイプのペナライズ予測を回避する。 モデル予測のクロスコーパス評価や人間による評価を含む広範な実験を通じて、SRU-NERは、クロスドメインの一般化を改善しつつ、バイオメディカルおよびジェネラルドメインのNERタスクにおける競合性能を達成する。

関連論文リスト

• EIoU-EMC: A Novel Loss for Domain-specific Nested Entity Recognition [11.490049645011842]
  本研究では,新たな損失EIoU-EMCを設計し,ユニオン損失とマルチクラス損失に対するインターセクションの実装を強化した。 提案手法は,エンティティ境界情報とエンティティ分類情報を特に活用することにより,限られたデータサンプルから学習するモデルの能力を向上させる。
  論文  参考訳（メタデータ） (2025-04-19T06:31:54Z)
• BioMNER: A Dataset for Biomedical Method Entity Recognition [25.403593761614424]
  本稿では,生物医学的手法による実体認識のための新しいデータセットを提案する。 我々は、人間のアノテーションを支援するために、自動的なBioMethodエンティティ認識と情報検索システムを採用している。 実験の結果,言語モデルのパラメータ数が大きくなると,実体抽出パターンの有効同化が著しく阻害されることが判明した。
  論文  参考訳（メタデータ） (2024-06-28T16:34:24Z)
• Extrinsic Factors Affecting the Accuracy of Biomedical NER [0.1529342790344802]
  バイオメディカル・ネーム・エンティティ・認識(NER)は、臨床テキスト中の構造化情報を特定することを目的とした批判的タスクである。 バイオメディカル領域のNERは、限られたデータ可用性のために困難である。
  論文  参考訳（メタデータ） (2023-05-29T15:29:49Z)
• Partial Annotation Learning for Biomedical Entity Recognition [0.19336815376402716]
  部分的アノテーション学習法は, 実体アノテーションの欠如により, バイオメディカルコーパスから効果的に学習できることが示唆された。 提案手法は代替品よりも優れており,特にPubMedBERTタグをF1スコアで38%向上させる。
  論文  参考訳（メタデータ） (2023-05-22T15:18:38Z)
• From Zero to Hero: Harnessing Transformers for Biomedical Named Entity Recognition in Zero- and Few-shot Contexts [0.0]
  本稿では,生物医学領域におけるゼロショットNERと少数ショットNERの手法を提案する。 我々は、ゼロショットNERが35.44%、ワンショットNERが50.10%、10ショットNERが69.94%、100ショットNERが79.51%の平均スコアを達成した。
  論文  参考訳（メタデータ） (2023-05-05T12:14:22Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• MINER: Improving Out-of-Vocabulary Named Entity Recognition from an Information Theoretic Perspective [57.19660234992812]
  NERモデルは標準のNERベンチマークで有望な性能を達成した。 近年の研究では、従来のアプローチはエンティティ参照情報に過度に依存し、OoV(out-of-vocabulary)エンティティ認識の性能が劣っていることが示されている。 我々は、情報理論の観点からこの問題を改善するための新しいNER学習フレームワークであるMINERを提案する。
  論文  参考訳（メタデータ） (2022-04-09T05:18:20Z)
• DARCNN: Domain Adaptive Region-based Convolutional Neural Network for Unsupervised Instance Segmentation in Biomedical Images [4.3171602814387136]
  ベンチマークコンピュータビジョンデータセットのアノテーションを多用し、多様なバイオメディカルデータセットに対して教師なしのインスタンスセグメンテーションを実行することを提案する。 本研究では,COCOからのオブジェクト定義の知識を複数のバイオメディカルデータセットに適用するドメイン適応型領域ベース畳み込みニューラルネットワーク(DARCNN)を提案する。 多数のバイオメディカルデータセット上での教師なしインスタンスセグメンテーションにおけるDARCNNの性能を示す。
  論文  参考訳（メタデータ） (2021-04-03T06:54:33Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。