ACLMar, 2021

关注关系网络的少样本插槽标注学习

PDF
TL;DR这篇论文研究了基于度量学习的任务，尤其是在计算机视觉领域中的任务。作者探索了度量学习方法在槽标记任务中的应用，提出了一种新的基于度量学习的神经网络结构 —— 关系注意力网络。通过利用预训练的上下文嵌入，并使用注意机制，扩展了关系网络的模型，使其在自然语言处理领域更具适用性。在 SNIPS 数据集上的结果表明，所提出的方法优于其他最先进的基于度量学习的方法。
发现论文，激发创造
  • 基于提示的度量学习用于小样本命名实体识别

    本研究提出了一种使用多重提示架构和度量学习方法来解决 few-shot named entity recognition 中标注语义缺陷的问题，并在 18 个场景中实现了新的最先进结果，平均相对增益为 8.84％，最大相对增益为 34.51％。

    Nov, 2022

  • 自然语言理解中的少样本槽标记的向量投影网络

    本文提出了一种基于向量投影网络的少样本检测方法，利用上下文词嵌入在每个目标标签向量上的投影作为单词 - 标签相似性，实现了一种等效的标准化线性模型方法。实验证明，该方法可以明显超越其他变量，在 SNIPS 和 NER 测试集的 5 个样本设置中，我们的方法分别在 F1 得分上比最强的少样本学习基线高出 6.30 和 13.79 分。

    Sep, 2020

  • 基于记忆注意力机制的潜在关系度量学习用于协作排名

    本文提出了一种新的神经架构 LRML (潜在关系度量学习) 用于协同排名与隐式反馈推荐，并在多个推荐基准中实现了最先进的性能。该模型通过学习潜在关系描述每个用户项目交互，通过增强记忆模块和学习余下的记忆块来构建潜在关系。

    Jul, 2017

  • 知识图谱中的少量样本链接预测的元关系学习

    本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。

    Sep, 2019

  • 基于度量无关条件嵌入的小样本学习

    提出了一种新的神经网络结构，利用基于目标图像的条件来学习高质量的类别表示，采用动态学习方式进行类别之间的对比，对 Caltech-UCSD 鸟类细粒度分类任务取得了最先进的性能。

    Feb, 2018

  • 多度量参数下的多样化小样本文本分类

    提出了一种自适应度量学习方法，该方法能够从元训练任务中获得一组评估度量，并自动确定最佳加权组合，以捕捉自然语言领域中新的 few-shot 任务的复杂任务变化。在真实情感分析和对话意图分类数据集上进行了广泛的定量评估，结果表明所提出的方法在预测准确性方面表现优于现有的 few shot learning 算法。

    May, 2018

  • 一次性学习的匹配网络

    本研究使用深度神经网络和度量学习的思想，建立了一种学习新概念的框架，从而不需要微调以适应新的类别类型，并在视觉和语言任务中定义了一次性学习问题，实验结果表明，在 Imagenet 数据集上，准确率从 87.6% 提高到 93.2%，在 Omniglot 数据集上，准确率从 88.0% 提高到 93.8%。

    Jun, 2016

  • 利用折叠依存转移和标签增强的任务自适应投影网络进行少样本槽位标记

    本文主要介绍了一种通过引入条件随机场 (CRF) 中的依赖传递机制，通过转移抽象标签依赖模式作为转移分数来解决少样本（few-shot）场景下的标签分配问题，并提出了 L-TapNet 模型，它基于含义表示标签名称语义来计算发射分数，并在实验中使用 One-shot setting 方法，相对强的基线方法提高了 14.64 个 F1 分数。

    Jun, 2020

  • 语义增强的关系度量学习在推荐系统中的应用

    通过引入语义信息，我们提出了一种联合语义增强关系度量学习 (SERML) 框架，该框架从目标评论中提取语义信号，并通过该信号改进了原始基于关系的训练过程的区分能力，实验证明 SERML 在推荐系统中表现与几种先进方法相当。

    Jun, 2024

  • 学习对比：关系网络用于少样本学习

    本文提出了一个概念简单、灵活、普适的框架来进行少样本学习，并在五个基准测试中展示了该方法的有效性。

    Nov, 2017