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
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
提出了高效的多监督关系抽取方法,通过融合远程监督和专家监督选择信息丰富的文档子集,并利用多方监督排名损失训练模型,以提高模型性能并具有较高的时间效率。
Jul, 2024
本文探讨了在关系抽取中应用远程监督技术,提出了一种基于课程学习的新型方法来有效地训练转移矩阵来表征噪声,并在各种评估方案中优于现有技术。
May, 2017
本研究提出了一种轻量级神经框架,使用实体感知的词嵌入方法、自注意机制和基于丰富语境表示的汇聚门来解决监督远程关系提取的问题和减轻之前机制的缺陷,实现了最高的分类准确性和最佳的实验结果。
Nov, 2019
本研究提出了一种双重监督框架,旨在有效利用人工标注数据和远程监督数据来训练关系抽取模型,以应对不同类型的监督数据。该模型采用两种不同的预测网络,分别用于预测人工标注和远程监督标签,并引入不一致性惩罚机制进行优化,实现了更高的抽取精度。
Nov, 2020
本文介绍了一种神经关系抽取方法,用于处理远程监督下产生的嘈杂训练数据,在考虑句子级和集合级别的噪声处理时,利用了组内注意力和组间注意力,提出的方法在 New York Times 数据集上比现有方法表现更加出色。
Mar, 2019
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
该论文提出了一种基于元学习的方法来重新加权具有噪声标签的训练数据,以选择更可靠的训练实例,并利用动态提取的可靠精英实例扩充手工标注的参考数据,从而在关系分类方面取得了领先的性能。
Oct, 2020