面向鲁棒性连续关系抽取的课程元学习
我们提出了一种通用的和趋势感知的课程学习方法来处理图神经网络,该方法结合了基于样本的丢失趋势,从而更好地区分易于和困难的样本并对它们进行训练调度。该模型有效地整合了文本和结构信息以在文本图中进行关系提取。实验结果表明,该模型在几个数据集上提供了对样本难度的稳健估计,并在与最先进方法的比较中显着改进了性能。
May, 2022
该研究旨在学习新出现的关系,同时避免忘记学过的关系,提出了一种用于相似关系的新颖连续抽取模型,包括设计记忆无关的关系原型和记忆增强等方法,以克服过拟合问题,并引入集成训练和关键知识蒸馏来增强对相似关系的处理,实验结果表明该模型的优越性及对相似关系的区分能力。
May, 2023
研究了连续关系抽取中存在的历史信息遗忘问题,提出了一种基于对比学习和知识蒸馏的持续关系表示学习方法,能够有效地避免历史信息遗忘,并在 FewRel 和 TACRED 数据集上进行了大量实验,相比于现有基线算法,提出的方法表现更具鲁棒性。
Mar, 2022
本篇论文提出一种基于知识库组织方式的自动关系元学习(ARML)框架,它可以从先前完成的任务中自动抽取跨任务关系并构建元知识图,通过学习的元知识图解决任务异质性的挑战,同时提高模型可解释性。
Jan, 2020
本论文提出一种学习关系原型的通用方法来处理关系抽取中的长尾问题,并应用于基于共现图的嵌入学习来优化实体对与对应原型间的距离,并在两个数据集上进行了广泛实验以验证其有效性。
Nov, 2020
利用信息抽取流程将非结构化数据转化为知识图谱,以实现信息系统管理中的分析和解释,本研究旨在开发一种新的持续关系抽取方法,用于识别现实世界中来自德国和奥地利报纸的数据流中的实体之间的关系(相互连接)。
Apr, 2024
通过结合大型语言模型生成的关系分类结果解释策略,设计了多任务的合理调整策略和对比性合理重现方法来增强模型对当前和类似关系的学习能力,并在两个标准基准测试中证明了我们的方法优于现有的连续关系提取模型。
Oct, 2023
MORE 利用深度度量学习从标注数据中获取丰富的监督信号,并直接驱动神经模型学习语义关系表示,提高开放域关系抽取 OpenRE 的效率和性能。
Jun, 2022
通过实证研究,本文指出 Catastrophic Forgetting 问题的其中一个原因是在模型学习新关系时,旧关系的学习表示不够具有健壮性,而提出了一种称为 Adversarial Class Augmentation 的方法,它可以更精确和强健地学习表示,从而改善了 Continual Relation Extraction 模型的表现。
Oct, 2022
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