ACLApr, 2020

通过合作多智能体的联合实体和关系抽取重新标记噪声

PDF
TL;DR本文提出了一种联合实体抽取和关系抽取方法，通过重新标注含有噪声数据实例，并运用一个包含多个协同智能体的协同组来计算每个实例的置信度评分，最终利用置信度来调整抽取器的训练损失，以解决由于训练集和测试集不一致以及错误传播而导致的标签偏移问题。实验结果表明，所提出的方法优于现有实体和关系抽取方法。
distant supervisionentity extractionrelation extractionnoisy-labeled training setcooperative multiagents
发现论文，激发创造
  • 噪声鲁棒学习的远程监督联合实体和关系抽取

    用一个模型识别实体对及其关系的联合实体和关系抽取任务中，存在嘈杂标签的问题。为了填补这个空白，我们引入了一种新的噪音鲁棒方法，可以同时进行实体和关系检测，并使用一个新的损失函数惩罚与显著关系模式和实体关系依赖性不一致的情况，以及一个自适应学习步骤迭代地选择和训练高质量实例。在两个数据集上的实验证明，我们的方法在联合抽取性能和噪音减少效果方面优于现有的最新方法。

    Oct, 2023

  • 神经实体类型和关系抽取的噪声缓解

    本文探讨了信息抽取模型中两种不同类型的噪声：来自远程监督和来自管道输入特征的噪声，并针对实体类型和关系提取等任务提出了使用神经网络模型的多实例多标签学习算法，以及改进噪声实体类型预测和关系提取间的整合方法，通过实验证明概率预测比离散预测更加鲁棒，并联合训练两个任务的效果最好。

    Dec, 2016

  • 一种基于数据驱动的方法用于远程监督下的生物医学关系抽取中的噪声削减

    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

  • 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

  • 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

  • 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

  • 面向不确定性的引导式学习，用于远程监督数据上的联合抽取

    提出使用不确定性感知引导的自我集成方法，令模型在远程监督数据中更准确地提取有歧义或嘈杂标签的实体对及其关系，实验证明其有效性和优于现有基线的性能。

    May, 2023

  • 使用神经噪声转换器和条件最优选择器改进远程监督关系抽取

    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

  • 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

  • 利用远程监督进行神经关系分类的元学习

    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