EMNLPOct, 2020

增量元自学习的半监督关系抽取

PDF
TL;DR本文提出了一种名为 MetaSRE 的方法，通过生成质量评估对伪标签进行元学习来降低噪声，同时采用伪标签选择和利用方案，仅以自我训练的方式利用高质量伪标签逐步增加标记样本以提高鲁棒性和准确性。在两个公共数据集上的实验结果表明了所提出方法的有效性。
semi-supervised relation extractionself-training methodsmetasrepseudo label selectionincrementally augment
发现论文，激发创造
  • 具有不完全注释的关系抽取的适应性自训练

    本文提出了一种新的自适应重新采样自训练框架，采用精度和召回率对每个类别的伪标签进行重新采样，以增加整体召回率而不过多牺牲精度，并在文件级别和生物医学关系提取数据集上进行实验表明，所提出的自训练框架在数据集的不完全注释时比现有方法表现要好。

    Jun, 2023

  • 基于数据增强和一致性训练的半监督关系抽取

    本篇研究项目中，我们通过控制文本生成的最新技术，进行了高质量的数据增强，同时引入了模型架构的小而显著的改变，从而使得数据插值后进行更多的训练数据生成。这些数据增强方法，结合了稳健性训练，得到了在四个基准数据集上半监督关系提取的非常有竞争力的结果。

    Jun, 2023

  • 基于关系驱动自集成模型的半监督医学图像分类

    本文提出了一种基于关系推理的半监督框架，用于医学图像分类，可通过鼓励输入数据的预测一致性来利用未标记的数据，同时使用自组合模型产生高质量的一致性目标，通过建模不同样本之间的关系信息有效地利用标记数据。该框架明确在扰动下相对于单个预测的语义关系的一致性，鼓励在未标记的数据中探索额外的语义信息。经实验评估，该方法在单标签和多标签图像分类场景中优于许多半监督学习方法。

    May, 2020

  • 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

  • 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

  • 低资源关系提取的梯度模仿强化学习

    本研究提出两种新的方法 GradLRE 和 Gradient Imitation Reinforcement Learning 来解决低资源关系抽取中缺乏反馈循环和选择偏差等问题，并利用上下文感知增强方法生成数据，在两个公共数据集上的实验结果表明，相比于基线，这些新方法在解决低资源关系抽取问题方面具有明显的优势。

    Sep, 2021

  • 弱监督下元自我完善的鲁棒性学习

    该研究论文提出了 Meta Self-Refinement (MSR) 框架，用于有效地应对来自弱监督源的噪声标签，从而训练出噪声鲁棒性较强的深度神经网络模型。在八个自然语言处理基准测试中广泛实验，证明 MSR 在所有设置下都能够抵抗噪声，并且在准确率和 F1 分数上优于现有技术最多 11.4% 和 9.26%。

    May, 2022

  • 半监督式学习中的学习

    本文提出了一种基于元学习的半监督学习方法，将有标签和无标签数据的相似度转化为对应的语义相似度，并通过自监督学习的方法实现了对有标签数据的更新。实验证明该方法较之传统方法更为有效。

    Aug, 2020

  • 学习双重检索模块用于半监督关系抽取

    本文提出 DualRE，使用弱监督技术结合自我训练机制和多视图学习方法，在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明，该方法有效地提高了模型的性能表现。

    Feb, 2019

  • 利用多个参考图进行半监督关系提取

    本研究提出基于参考图构建的多重参考图模型 (MRefG)，通过将未标注的数据与已标注的数据建立语义或词汇上的关联来识别高质量的未标注样本。在两个公共数据集上的实验表明，我们的方法比当前最先进的基线方法有了显著的改进。

    Oct, 2020