AAAIJun, 2021

协同对抗训练增强远程监督关系抽取

PDF
TL;DR通过协作对抗训练（collaborative adversarial training），结合虚拟对抗训练和对抗训练等不同级别的训练方法来提高数据利用率，有效地解决标签噪声带来的数据利用不足的问题，并在远程监督下的关系提取（distantly supervised relation extraction）中实现了约 5 个 AUC 分数的提升。
distantly supervised relation extractionmulti-instance learningcollaborative adversarial trainingvirtual adversarial trainingadversarial training
发现论文，激发创造
  • 面向远程监督关系抽取的对比实例学习框架

    本文提出了一种新的对比实例学习框架，用于减少远程监督生成的训练数据中的噪声。与传统的多实例学习框架不同，该框架将初步多实例学习作为关系三元组编码器，并针对每个实例的正负对进行限制，实验证明该方法在 NYT10、GDS 和 KBP 上较以前的方法有显著提高。

    Jun, 2021

  • 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

  • 生物医学关系提取的抽象化多实例学习 (AMIL)

    研究提出了用抽象化的多实例学习（AMIL）来改善远程监督下生物医学关系抽取中的训练噪声及数据分布问题。同时，提出了一种新的关系嵌入结构，在生物医学关系提取中进一步提高模型的性能。

    Oct, 2021

  • 自然语言推理提升远程监督关系抽取

    本文提出了一种新的 DSRE-NLI 框架，该框架利用现有知识库的远程监督和预训练语言模型的间接监督，通过半自动关系语言表达机制为间接监督提供能量，进而巩固远程注释以便于多分类 RE 模型，并通过数据整合策略实现训练数据的质量提高，大量实验证明该框架显著提高了远程监督 RE 基准数据集的性能（高达 7.73％的 F1）

    Jul, 2022

  • 增强文档级关系抽取的高效多重监督

    提出了高效的多监督关系抽取方法，通过融合远程监督和专家监督选择信息丰富的文档子集，并利用多方监督排名损失训练模型，以提高模型性能并具有较高的时间效率。

    Jul, 2024

  • 多层结构化自注意力用于远程监督关系抽取

    提出了一种新颖的基于多层结构化自我关注机制的深度神经网络，在多实例学习框架下，利用双向循环神经网络进行远程监督关系抽取，该模型显著优于现有基线模型。

    Sep, 2018

  • 利用线性衰减模拟和非独立同分布关联嵌入的远程监督关系抽取

    这篇研究提出了一种新方法来解决采用遥测监督的关系抽取中存在的问题，包括在句子中选择重要单词和提取有效句子等问题。该方法引入了线性衰减模拟和非独立同分布相关性嵌入两个新的概念来解决这些问题，在基准数据集上的实验表明，该方法能够有效地提取隐藏关系的复杂信息和实例间的相互信息。

    Dec, 2018

  • 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

    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。

    May, 2020

  • 用于半监督乳腺肿块分类的虚拟对抗训练

    本研究旨在开发一种新的计算机辅助诊断 (CAD) 方案，以利用半监督学习对乳腺 X-ray 图像进行良恶性分类，采用虚拟对抗培训方法，提高模型的鲁棒性和分类准确性。

    Jan, 2022

  • 基于句子重建和知识库先验的远程监督关系抽取

    通过联合训练关系分类器和变分自编码器，结合知识库的概念，实现了利用多任务的概率方法来促进远程监督关系提取，从而有望在 NLP 领域取得更好的性能与可解释性。

    Apr, 2021