論文の概要: SEDA: A Self-Adapted Entity-Centric Data Augmentation for Boosting Gird-based Discontinuous NER Models

• arxiv url: http://arxiv.org/abs/2511.20143v1
• Date: Tue, 25 Nov 2025 10:06:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.397319
• Title: SEDA: A Self-Adapted Entity-Centric Data Augmentation for Boosting Gird-based Discontinuous NER Models
• Title（参考訳）: SEDA: ギルドベース不連続NERモデルの強化のための自己適応型エンティティ中心データ拡張
• Authors: Wen-Fang Su, Hsiao-Wei Chou, Wen-Yang Lin,
• Abstract要約: 不連続なエンティティに関連するセグメンテーションと欠落の問題に対処することを目的としている。 近年の研究では、グリッドタグ法が情報抽出に有効であることが示されている。 我々は,不連続な物体を認識する能力を高めるために,収穫,スケーリング,パディングなどの画像データ拡張手法をグリッドベースモデルに統合する。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Named Entity Recognition (NER) is a critical task in natural language processing, yet it remains particularly challenging for discontinuous entities. The primary difficulty lies in text segmentation, as traditional methods often missegment or entirely miss cross-sentence discontinuous entities, significantly affecting recognition accuracy. Therefore, we aim to address the segmentation and omission issues associated with such entities. Recent studies have shown that grid-tagging methods are effective for information extraction due to their flexible tagging schemes and robust architectures. Building on this, we integrate image data augmentation techniques, such as cropping, scaling, and padding, into grid-based models to enhance their ability to recognize discontinuous entities and handle segmentation challenges. Experimental results demonstrate that traditional segmentation methods often fail to capture cross-sentence discontinuous entities, leading to decreased performance. In contrast, our augmented grid models achieve notable improvements. Evaluations on the CADEC, ShARe13, and ShARe14 datasets show F1 score gains of 1-2.5% overall and 3.7-8.4% for discontinuous entities, confirming the effectiveness of our approach.
• Abstract（参考訳）: 名前付きエンティティ認識(NER)は自然言語処理において重要なタスクであるが、不連続なエンティティに対しては特に困難である。 テキストセグメンテーションの最大の難しさは、従来の手法がしばしば誤りを犯したり、不連続なエンティティを完全に見逃したりすることであり、認識精度に大きな影響を及ぼすためである。 そこで本稿は,そのようなエンティティに関連するセグメンテーションと省略の問題に対処することを目的としている。 近年の研究では、グリッドタグ方式は、柔軟なタグ付け方式と堅牢なアーキテクチャにより、情報抽出に有効であることが示されている。 これに基づいて、収穫、スケーリング、パディングなどの画像データ拡張技術をグリッドモデルに統合し、不連続なエンティティを認識し、セグメンテーションの課題に対処する能力を高める。 実験結果から,従来のセグメンテーション手法では不連続な不連続なエンティティを捕捉できないことが多く,性能が低下することが示された。 対照的に、拡張グリッドモデルは顕著な改善を実現しています。 CADEC、ShARe13、ShARe14データセットの評価では、F1スコアは全体として1-2.5%、不連続なエンティティは3.7-8.4%であり、我々のアプローチの有効性を確認している。

関連論文リスト

• Explainable Human-in-the-Loop Segmentation via Critic Feedback Signals [0.20999222360659608]
  セグメント化出力の人為的補正による介入学習を可能にする,ループ内対話型フレームワークを提案する。 筆者らのフレームワークは,挑戦的な立方体データに対して最大9mIoUポイントのセグメンテーション精度を向上させることを実証している。 この研究は、精度が高く、データセットバイアスに頑健で、データ効率が良く、都市気候モニタリングや自動運転といった現実世界の領域に適応可能なセグメンテーションシステムを構築するための、研究者や実践者のための実践的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-11T01:16:41Z)
• Exploring Generalized Gait Recognition: Reducing Redundancy and Noise within Indoor and Outdoor Datasets [24.242460774158463]
  一般化歩行認識は、多様な領域にわたる堅牢なパフォーマンスを実現することを目的としている。 混合データセットトレーニングは一般化を高めるために広く利用されている。 クロスドメイン歩行認識を体系的に改善する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T06:46:09Z)
• When Segmentation Meets Hyperspectral Image: New Paradigm for Hyperspectral Image Classification [4.179738334055251]
  ハイパースペクトル画像(HSI)分類は、リモートセンシングの基盤であり、豊富なスペクトル情報を通じて正確な材料と土地被覆の識別を可能にする。 ディープラーニングはこのタスクに大きな進歩をもたらしたが、小さなパッチベースの分類器は進歩の90%以上を占めており、制限に直面している。 本研究では, HSI分類のための新しいパラダイムとベースラインであるHSIsegを提案し, これらの課題を克服するために, 分割手法と新しい動的シフト地域変換器(DSRT)を組み合わせる。
  論文  参考訳（メタデータ） (2025-02-18T05:04:29Z)
• Optimizing against Infeasible Inclusions from Data for Semantic Segmentation through Morphology [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 InSeInは、手元に設定されたセグメンテーショントレーニングから空間クラス関係を規定する明示的な包含制約を抽出する。 そして、予測可能性を促進するために、トレーニング中にこれらの制約の違反を罰する形態的だが差別的な損失を強制する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• Learning to Generate Training Datasets for Robust Semantic Segmentation [37.9308918593436]
  セマンティックセグメンテーション手法の堅牢性を改善するための新しい手法を提案する。 我々は,現実的で可視な摂動画像を生成するために,新しい条件付き生成対向ネットワークであるRobustaを設計した。 我々の結果は、このアプローチが安全クリティカルなアプリケーションに有用である可能性を示唆している。
  論文  参考訳（メタデータ） (2023-08-01T10:02:26Z)
• A Simple Baseline for Semi-supervised Semantic Segmentation with Strong Data Augmentation [74.8791451327354]
  セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。 単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。 本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-04-15T06:01:39Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Generative Partial Visual-Tactile Fused Object Clustering [81.17645983141773]
  オブジェクトクラスタリングのためのGenerative Partial Visual-Tactile Fused(GPVTF)フレームワークを提案する。 条件付きクロスモーダルクラスタリング生成逆ネットワークを開発し、一方のモダリティ条件を他方のモダリティ上で合成する。 最後に、擬似ラベルに基づく2つのKL分割損失を用いて、対応するモダリティ固有エンコーダを更新する。
  論文  参考訳（メタデータ） (2020-12-28T02:37:03Z)

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。