EMNLPSep, 2021

基于渐进式对抗学习的自举方法：以实体集扩展为例的案例研究

PDF
TL;DR本文提出一种新的 Bootstrapping 方法 BootstrapGAN，通过 GAN 框架共同建模 Bootstrapping 过程和边界学习过程，利用不同的鉴别器网络学习不同的扩展边界，并通过迭代的对抗学习逐渐提高生成器和判别器的精度，实现了最新的实体集扩展性能。
bootstrappingentity set expansionbootstrapgangandiscriminator networks
发现论文，激发创造
  • 通过语言模型探测增强实体集扩展

    本文提出了一种迭代的实体集扩展框架，利用自动生成的类名解决语义漂移问题，通过在预训练的语言模型中探测选择一个正类和若干负类，评分新的候选实体。实验表明，该框架可以生成高质量的类名，并显著优于以前的最新方法。

    Apr, 2020

  • GausSetExpander: 实体集扩展的简单方法

    本文提出了一种无监督方法 GausSetExpander，基于最优传输技术，对实体集扩展的任务进行重新构建，将其视为选择最佳完成种子集的实体问题。我们将集合解释为具有代表均值的质心和由比例参数表示的扩展的椭圆分布，最好的实体是使集合的扩展最小的实体。通过与最先进的方法进行比较，我们证明了我们的方法的有效性。

    Feb, 2022

  • 使用硬负实体进行对比学习以扩展实体集

    本文提出一个利用掩蔽语言模型和概率性扩展框架进行实体集扩展的方法，实验结果表明其在三个数据集上优于现有最先进方法。

    Apr, 2022

  • 基于语料库及辅助集生成与协同扩展的集合扩展引导

    本文提出了一种新的框架 Set-CoExpan，它可以自动生成辅助负集作为联系紧密的与用户所需目标集相关的负向集，通过将目标集与辅助集进行比较提取区分特征，形成多个互不相同的相互关联的集合，从而解决语义漂移问题。实验证明，通过生成辅助集，可以引导目标集的扩展过程，从而避免触及边界周围的模糊区域，同时 Set-CoExpan 可以显著优于强基线方法。

    Jan, 2020

  • GuideBoot: 深度情境强化学习的引导式自举方法

    本研究提出一种 Guided Bootstrap 方法，结合了贝叶斯方法和 Bootstrap 方法，旨在解决复杂深度场景下的探索 / 利用困境，并在合成任务和大规模广告环境上实现了显著性能提升。

    Jul, 2021

  • 运用专家指导的对抗性扩充来提高命名实体识别的泛化能力

    使用专家引导的启发式方法构建了一个高质量的 CoNLL 2003 测试数据集，通过基于此集合的对抗性扰动来评估 NER 模型的泛化能力，并且通过使用混合数据训练技术来显著提高在挑战集上的性能以及提高了域外泛化能力。

    Mar, 2022

  • 提高生成对抗网络的泛化能力和稳定性

    本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

    Feb, 2019

  • 从检索到生成：高效和有效的实体集扩展

    本文提出了一种基于生成式预训练语言模型实现的实体集扩展框架（GenExpan），用自动化生成的类名引导模型生成目标实体，并提出了知识标定和生成排名以进一步填补语言模型通用知识与 ESE 任务目标之间的差距，实验结果表明 GenExpan 在扩展时间和扩展性能方面都优于现有 ESE 方法。

    Apr, 2023

  • 渐进式增长 GAN 以提高质量、稳定性和变化性

    通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

    Oct, 2017

  • 贝叶斯生成对抗网络

    本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

    May, 2017