May, 2018

DSGAN：用于远程监督关系抽取的生成式对抗训练

PDF
TL;DR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。
distant supervisionrelation extractionadversarial learninggenerative adversarial networksfalse positive samples
发现论文，激发创造
  • 深度强化学习下的强健远程监督关系抽取

    研究利用深度强化学习策略生成假阳性指标解决远程监督产生的噪声，进而将它们分配为负面样本以解决误报问题，实验表明该方法显著提高了远程监督方法的性能。

    May, 2018

  • 通过实例级对抗训练对关系抽取的远程监督进行去噪

    本研究提出了一种新型的对抗训练机制用于关系提取，以减轻噪音问题，并在大规模基准数据集上进行了实验，表明我们的去噪方法可以有效过滤出嘈杂的实例，并与现有模型相比实现了显著的改进。

    May, 2018

  • 知晓假阴性：一种远程监督关系抽取的对抗训练方法

    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

  • 通过神经期望最大化框架揭示远程监督中的基本关系

    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

  • 融合远程和直接监督的神经关系抽取

    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

  • 利用推理学习改进远程监督

    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

  • 重新审视远程监督关系抽取的负数据

    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

  • 基于单词和实体级别注意力机制的远程监督下关系抽取技术的改进

    本论文介绍了两种新的用于远程监督下关系抽取的单词注意模型，同时提出了一种组合模型，并在多个真实数据集上进行了广泛的实验来证明这些方法的有效性。

    Apr, 2018

  • 生成对抗网络半监督学习

    将生成对抗网络扩展到半监督学习中，强制鉴别器网络输出类标签，能够创建更具数据效率的分类器以及比正常 GAN 生成更高质量的样本。

    Jun, 2016

  • 嘈杂的句子是否对远程监督关系抽取毫无用处？

    本文提出了一种利用无监督深度聚类技术解决噪声标注问题的远程监督关系抽取模型，包括句子编码器、噪声检测器和标签生成器，实验证明该模型在常用基准数据集上优于现有的同类模型，并能够应对噪声标注问题。

    Nov, 2019