論文の概要: Type-Balanced Contextual Learning for Incremental Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2608.31038v1
• Date: Mon, 31 Aug 2026 16:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.502903
• Title: Type-Balanced Contextual Learning for Incremental Named Entity Recognition
• Title（参考訳）: インクリメンタル名前付きエンティティ認識のためのタイプベースコンテキスト学習
• Abstract要約: インクリメンタル名前付きエンティティ認識(INER)は、情報抽出において重要なタスクである。 本稿では,文ダンプレット学習方式と文脈整合性損失を特徴とするTBCL法を提案する。
• 参考スコア（独自算出の注目度）: 47.29588538394869
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incremental Named Entity Recognition (INER) stands as a pivotal task in information extraction, emphasizing the successive identification of new entity types within unstructured text. Faced with the continuous influx of entity types, INER grapples with two significant challenges: the widespread issue of catastrophic forgetting and the unique shift issue of the non-entity type semantics. While pseudo-labeling-based INER methods have proven effective in addressing these challenges, a previously overlooked issue arises: the biased context problem. Our analysis shows that, in new sentences, the contextual associations of tokens representing old entity types exhibit a significantly stronger bias towards new entity types compared to their contexts in old sentences. This tendency intensifies the degradation of old knowledge while promoting the overfitting of new knowledge. To solve this biased context, we propose a Type-Balanced Contextual Learning (TBCL) method, featuring a sentence-duplet learning scheme and a contextual consistency loss. This approach offers a fresh perspective for INER through context analysis. Extensive experiments across ten INER settings on three highly recognized datasets showcase the efficacy of our TBCL method, highlighting its proficiency in resolving the biased context issue inherent in pseudo-labeling based INER approaches.
• Abstract（参考訳）: インクリメンタル名前付きエンティティ認識(INER)は、情報抽出において重要なタスクであり、構造化されていないテキスト内の新しいエンティティタイプを連続的に識別することを強調する。 エンティティタイプの継続的な流入に直面したINERは、破滅的な忘れ込みの広範な問題と、非エンティティ型のセマンティクスのユニークなシフト問題という、2つの大きな課題を抱えている。 擬似ラベルに基づくINER法はこれらの課題に対処する上で有効であることが証明されているが、これまで見過ごされていた問題は、バイアス付きコンテキスト問題である。 分析の結果、新しい文では、古いエンティティタイプを表すトークンの文脈的関連性は、古い文のコンテキストと比較して、新しいエンティティタイプに対して著しく強いバイアスを示すことがわかった。 この傾向は、新しい知識の過度な適合を促進しながら、古い知識の劣化を増す。 このバイアス付きコンテキストを解決するために,文-duplet学習方式と文脈整合性損失を特徴とするTBCL法を提案する。 このアプローチは、コンテキスト分析を通じてINERに新しい視点を提供する。 高度に認識された3つのデータセットに対する10のINER設定にわたる大規模な実験では、TBCL法の有効性が示され、疑似ラベルに基づくINERアプローチに固有のバイアス付きコンテキスト問題の解決能力が強調された。

関連論文リスト

• GenCNER: A Generative Framework for Continual Named Entity Recognition [22.669221793494163]
  従来の名前付きエンティティ認識(NER)は、テキストの参照を事前に定義されたエンティティタイプに識別することを目的としている。 NERのための既存の継続学習(CL)手法は、破滅的な忘れ込みと非エンテント型のセマンティックシフトの課題に直面している。 我々は,CNERの欠点を軽減するための簡易かつ効果的な生成フレームワークであるGenCNERを提案する。
  論文  参考訳（メタデータ） (2025-10-13T14:15:31Z)
• A Unified Label-Aware Contrastive Learning Framework for Few-Shot Named Entity Recognition [6.468625143772815]
  ラベル認識型トークンレベルのコントラスト学習フレームワークを提案する。 提案手法は,ラベルのセマンティクスを接尾辞のプロンプトとして活用することでコンテキストを豊かにする。 コンテキストネイティブとコンテキストラベルの対比学習目標を同時に最適化する。
  論文  参考訳（メタデータ） (2024-04-26T06:19:21Z)
• Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
  Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。 WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。 本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
  論文  参考訳（メタデータ） (2024-04-18T08:23:24Z)
• Enhancing Systematic Decompositional Natural Language Inference Using Informal Logic [51.967603572656266]
  我々は,分解包含を注釈付けするための一貫した理論的なアプローチを導入する。 我々の新しいデータセットRDTEは、前回の分解エンターメントデータセットよりもかなり高い内部整合性(+9%)を持つことがわかった。 また,RDTE による知識蒸留によるエンテーメント分類器の訓練や,エンテーメントツリー推論エンジンへの導入により,精度と検証精度が向上することが確認された。
  論文  参考訳（メタデータ） (2024-02-22T18:55:17Z)
• In-Context Learning for Few-Shot Nested Named Entity Recognition [53.55310639969833]
  数発のネストネストNERの設定に有効で革新的なICLフレームワークを導入する。 我々は、新しい実演選択機構であるEnDe retrieverを考案し、ICLプロンプトを改善する。 EnDe検索では,意味的類似性,境界類似性,ラベル類似性という3種類の表現学習を行うために,コントラスト学習を用いる。
  論文  参考訳（メタデータ） (2024-02-02T06:57:53Z)
• Robust Few-Shot Named Entity Recognition with Boundary Discrimination and Correlation Purification [14.998158107063848]
  NER (Few-shot named entity recognition) は、既存の知識を活用して、低リソース領域における新しい名前付きエンティティを認識することを目的としている。 境界識別・相関浄化法(BDCP)を用いた頑健な2段連写NER法を提案する。 スパン検出段階では、エンティティ境界判別モジュールを導入して、エンティティスパンを検出するための高度に区別された境界表現空間を提供する。 エンティティタイピング段階では、干渉情報を最小化してエンティティとコンテキストの相関を浄化する。
  論文  参考訳（メタデータ） (2023-12-13T08:17:00Z)
• Continual Named Entity Recognition without Catastrophic Forgetting [37.316700599440935]
  我々は,古いエンティティタイプの知識の保持と新しいもの獲得のトレードオフを巧みに回避する,プールド・フィーチャー蒸留損失を導入する。 非エンタリティ型のための信頼に基づく疑似ラベルを作成する。 バイアス型分布の問題に対処するために,適応的再重み付け型バランス学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-23T03:45:30Z)
• CoT-BERT: Enhancing Unsupervised Sentence Representation through Chain-of-Thought [3.0566617373924325]
  本稿では,教師付き推論の進歩的思考を活用する革新的な手法であるCoT-BERTを提案する。 我々は、高度なコントラスト学習損失関数を開発し、新しいテンプレート認知戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:42:06Z)
• Incorporating Class-based Language Model for Named Entity Recognition in Factorized Neural Transducer [50.572974726351504]
  クラスベースのLMをFNTに組み込んだ新しいE2EモデルであるC-FNTを提案する。 C-FNTでは、名前付きエンティティのLMスコアは、その表面形式の代わりに名前クラスに関連付けることができる。 実験の結果,提案したC-FNTは,単語認識の性能を損なうことなく,名前付きエンティティの誤りを著しく低減することがわかった。
  論文  参考訳（メタデータ） (2023-09-14T12:14:49Z)
• 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)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)

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。