May, 2020

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

PDF
TL;DR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。
fact triplesstructured knowledgebiomedical domainrelation extractionbert model
发现论文，激发创造
  • MedDistant19：面向广泛覆盖的医学关系抽取精准基准的研究

    本研究针对生物医学领域中关系抽取的挑战，提出利用知识图谱关系对原始文本进行自动标注，以克服标注数据缺乏的问题，并通过构建更为准确的基准集 “MedDistant19” 来解决现有基准集存在的一系列问题，并验证了其在领域中具有普遍适用性。

    Apr, 2022

  • 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

  • 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

  • 含噪声学习：运用动态转移矩阵提升远程监督关系抽取

    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

  • 无监督关系抽取的深度双向转换器

    使用句法分析和预先训练的词嵌入技术，在缺乏任何形式监督的情况下，提取少量精确关系，用于注释更大的语料库，并在生物医学领域的四个数据集上通过微调预先训练的 BERT 模型进行关系抽取实验表明，与无监督关系提取的两个简单的基线相比，我们的方法显著优于两个简单的基线，即使不使用任何监督，也获得了三个数据集中的最先进结果之一；更重要的是，我们证明了使用噪声数据可以成功地对大型预先训练的语言模型进行微调，而不是依赖于黄金数据进行微调。

    Nov, 2019

  • 通过 BERT 基于标签和实例嵌入来提高远程监督关系抽取

    提出 REDSandT (一种使用远程监督和转换器的关系抽取方法)，通过利用 BERT 的预训练模型和标签与实体之间的关系，以高度信息的实例和标签嵌入来捕获更广泛的关系，并通过标签嵌入作为注意机制以进一步减少噪声，最终通过将关系和实例嵌入连接来表示句子，实现其对具有更高置信度的更广泛关系的捕获。

    Feb, 2021

  • 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

  • 基于事件引导的去噪多语种关系学习

    该论文提出了一种新的方法，利用大规模无标签文本中可预测的分布式数据结构从而构建了一个去噪的语料库，该方法通过远成本的监督技术以少量的样本数训练出了类似于 Soares 等人的零样本和少样本结果，该技术通过小型的多语言编码器在英语和西班牙语的一些标准关系评估中实现了与当前领先技术相当的结果。

    Dec, 2020

  • 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