本文提出了一种使用知识推理方法检测潜在误差样本的方法，以提高使用远程监督数据训练关系提取系统的性能。

Sep, 2015

本文提出了一种名为 ReRe 的管道方法，通过句子级别的关系检测和主谓对象提取来实现样本有效训练，将关系抽取问题转化为正无标记学习任务，缓解了负样本引起的误差问题，实验结果表明，该方法能够持续超越现有方法并且即使在学习大量的假阳性样本时仍保持良好的性能。

May, 2021

本研究提出了一种改进的神经网络关系抽取模型，该模型采用直接监督数据来提高注意力机制的性能，同时使用远程监督数据帮助识别噪声标注，实验结果在 FB-NYT 数据集上取得了最新的最优性能。

Oct, 2018

本文提出一种两阶段的远程监督关系抽取方法，利用深度神经网络的记忆机制和对抗训练解决当前知识库不完整所带来的假阴性问题，并在两个流行基准数据集上验证了方法的有效性。

Sep, 2021

这篇研究提出了一种新方法来解决采用遥测监督的关系抽取中存在的问题，包括在句子中选择重要单词和提取有效句子等问题。该方法引入了线性衰减模拟和非独立同分布相关性嵌入两个新的概念来解决这些问题，在基准数据集上的实验表明，该方法能够有效地提取隐藏关系的复杂信息和实例间的相互信息。

Dec, 2018

使用多实例学习和 BERT 模型，我们提出了一个简单的数据编码方案，以降低噪音并获得了远程监控生物医学关系提取的最新性能，同时进一步编码关于关系三元组方向的知识，从而减少噪音并减轻了与知识图完成的联合学习的需要。

May, 2020

本文提出了一种基于神经噪声转换器方法和条件最优选择器的远程监督关系抽取方法，以减轻噪声数据造成的影响并帮助进行准确预测，实验证明该方法在大数据集中的效果显著提高。

Nov, 2018

本文介绍了一种名为 DSGAN 的对抗学习框架，通过使用生成对抗网络 (GAN) 的思想学习以句子级别为真正样本的情况下，如何筛选出远程监督训练数据集中的噪声实例，从而提高关系提取的性能。实验结果表明，该方法显著提高了远程监督关系提取的效果。

May, 2018

本文介绍了一种使用神经网络和概率建模的新型标签去噪框架，以解决远程监督关系提取中标签嘈杂的问题，并在实践中证明了该方法的有效性。

Sep, 2019

本文提出了一种新的 DSRE-NLI 框架，该框架利用现有知识库的远程监督和预训练语言模型的间接监督，通过半自动关系语言表达机制为间接监督提供能量，进而巩固远程注释以便于多分类 RE 模型，并通过数据整合策略实现训练数据的质量提高，大量实验证明该框架显著提高了远程监督 RE 基准数据集的性能（高达 7.73％的 F1）

Jul, 2022