弱监督和半监督证据提取

EMNLPNov, 2020

Weakly- and Semi-supervised Evidence Extraction

Danish Pruthi, Bhuwan Dhingra, Graham Neubig, Zachary C. Lipton

TL;DR本文介绍了一种结合少量证据注释和大量文档级别标签的新方法，用于证据提取任务，同时对两个包含证据注释的分类任务进行评估，发现我们的方法优于在解释性文献适用的基线方法。将少至百个证据注释运用到该方法中可得到显著收益。

Abstract

For many prediction tasks, stakeholders desire not only predictions but also supporting evidence that a human can use to verify its correctness. However, in practice, additional annotations marking supporting evidence may only be available for a minority of training examples (if available at all). In this paper, we propose new methods to combine few evidence

evidence extraction semi-supervised learning weak supervision interpretability literature classification

发现论文，激发创造

基于证据的现实世界信息需求验证

论文介绍了一种新的认领审核数据集，其中包括来自搜索引擎查询的实例，共包含 10,987 个带有证据的主张，证据来自完整的维基百科文章，注释具有章节和句子级别的细粒度，通过总体评估，作者发现使用证据提取来总结最终用户的理由时，预测主张真实性的准确性并没有明显差异，此数据集还存在挑战性问题，作者在转移学习实验中进行了证明

Apr, 2021

基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

使用远程监督的证据检索，无需证据标记即可实现问答

本研究探讨使用仅通过回答标签的远程监督来训练模型，从大规模语料库中学习寻找证据的能力，提出了一种新的方法（DistDR），该方法在多跳和单跳问答基准测试中与全监督的最先进方法不相上下。

Oct, 2021

半监督文本注释的贝叶斯方法

通过贝叶斯深度学习模型和贝叶斯集成方法来指导注释过程，可以提高 BERT 模型的注释和预测性能。

Oct, 2020

半监督神经标记的科学信息提取

本文通过将问题建模为序列标注，并利用半监督学习方法和数据选择方案，提出了一个基于神经标注模型的关键短语提取和分类算法，该算法在 2017 年 SemEval 科学信息抽取任务中明显优于现有信息抽取方法。

Aug, 2017

交互式弱监督：学习用于数据标注的有用启发式方法

该研究论文展开了交互式弱监督学习框架的研究，该框架中，方法提议启发式方法并从用户每个被提议的启发式反馈中学习，其实验表明只需要少量的反馈迭代就可以训练模型达到高竞争的测试集性能，而不需要访问本文中使用的标签数据。

Dec, 2020

端到端弱监督

通过聚合多个弱监督数据源，本研究提出一种直接使用神经网络重参数化概率先验标签，从而直接学习下游模型的端到端方法，取得了端模型性能和弱监督数据依赖性方面的改进。

Jul, 2021

神经文本分类的去噪多源弱监督训练

研究了在没有任何标注数据的情况下，通过多种易于提供的规则作为多种弱监督源，学习神经文本分类器的问题，提出了一种标签降噪器，它使用条件软注意机制估计源的可靠性，然后通过聚合注释的弱标签降低标签噪声，然后使用这些清理过的伪标签来训练神经分类器。在情感，主题和关系分类的五个基准测试上进行了评估，结果表明，该模型始终优于最先进的弱监督和半监督方法，并且即使没有任何标注数据，也可以达到与全监督方法相当的性能水平。

Oct, 2020

U3E: 无监督和擦除基础证据提取用于机器阅读理解

本研究提出一种无监督证据抽取方法 U3E，它利用文本中句子级特征擦除的变化作为输入，模拟人类记忆衰退造成的问题解决能力下降。通过比较实验结果表明，U3E 不仅可以更准确地抽取证据，而且还可以显著改善模型性能。

Oct, 2022

控制性弱监督训练神经网络：避免重复导师的错误

该研究提出了一种半监督学习方法，利用一个 “目标网络” 和一个 “置信网络” 进行多任务训练，在大量弱注释未标注数据上优化目标网络，同时用置信网络的分数来加权目标网络的梯度更新，以避免噪声标签对目标网络模型的质量造成损害，并在评估中证明其相对基线的性能得到提高，同时从弱标签中提高了学习速度。

Nov, 2017