EMNLPOct, 2018

FewRel: 大规模监督少样本关系分类数据集及最先进评估

PDF
TL;DR我们提出了 FewRel 数据集，其中包含来自维基百科的 100 种关系中的 70,000 个句子，这些句子由群众工作者进行注释。我们针对关系分类采用了最新的 Few-Shot Learning 方法，并对这些方法进行了全面的评估。实证结果表明，即使是最具竞争力的少样本学习模型也很难完成此任务，这表明 Few-Shot Learning 在关系分类方面仍然存在着问题，需要进一步的研究。
发现论文，激发创造
  • FewRel 2.0：面向更具挑战性的小样本关系分类

    通过 FewRel 2.0 任务，本研究检验了 few-shot 关系分类模型在新领域适应和检测未知关系方面的能力，并发现现有的领域自适应和 NOTA 检测技术仍不能很好地处理这两个问题。

    Oct, 2019

  • 朝着真实的少样本关系抽取：新元数据集与评估

    我们引入了一个元数据集，其中包括两个从现有的监督关系抽取数据集 NYT29 和 WIKIDATA（以及 TACRED 的 few-shot 形式）中派生的数据集。我们对六种最近的 few-shot 关系抽取方法进行了全面评估，观察到没有一种方法被明确地确定为胜者。此任务的整体性能较低，表明未来研究有很大的需求。我们释放了所有数据版本，即监督和 few-shot 数据，供未来研究使用。

    Apr, 2024

  • 一种简单而有效的关系信息引导的少样本关系抽取方法

    本文提出了一种新的直接加法方法来更加明确有效地将关系信息引入 Few-Shot 关系提取模型，该方法通过连接两种关系视图来生 成关系表示，并将其直接添加到原型中进行训练和预测，在 FewRel 1.0 基准数据集上实现了显著的改进，并且与最先进的结果相当。

    May, 2022

  • 学习对比：关系网络用于少样本学习

    本文提出了一个概念简单、灵活、普适的框架来进行少样本学习，并在五个基准测试中展示了该方法的有效性。

    Nov, 2017

  • Few-NERD：少样本命名实体识别数据集

    本文提出了 Few-NERD 数据集，并利用其来制定基准任务，从而全面评估模型的泛化能力，结果表明 Few-NERD 具有挑战性并需要进一步研究。

    May, 2021

  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 基于语义关系推理的稳定少样本目标检测

    通过引入显式关系推理和语义嵌入，利用少量数据探测新颖物体的性能较稳定且鲁棒，相比于显式和隐式样本较少时可以取得明显更好的结果。

    Mar, 2021

  • 基于序列标注的少样本关系抽取框架

    本篇论文提出基于序列标注联合提取方法的小样本关系抽取任务，利用少量标注数据解决领域中标注数据不足的问题，并将两种实际序列标注模型应用于这个框架达到了良好的效果。

    Aug, 2022

  • 探究少样本关系抽取的任务难度

    本文研究了少样本关系抽取问题，在元学习的基础上，提出了一种基于对比学习的方法，该方法通过利用关系标签信息来学习更好的表征，并进一步设计了一种方法，使模型能够自适应地学习如何关注难任务。实验表明，我们的方法在两个标准数据集上都有出色的表现。

    Sep, 2021

  • FewSOL: 机器人环境中的小样本目标学习数据集

    介绍了 Few-Shot Object Learning (FewSOL) 数据集，用于针对每个物体进行少量图像识别，研究结果表明目前机器人环境下还有一定提升空间，适用于研究分类、检测、分割、形状重构、姿态估计、关键点对应和属性识别等少量图像识别问题。

    Jul, 2022