COLINGSep, 2022

STAD: 用于低资源关系抽取的含歧义数据自训练

PDF
TL;DR本文提出了一种名为 STAD 的简单而有效的自助式训练方法，用于低资源关系提取，该方法利用模糊但有用的实例，并针对模棱两可的实例将关系划分为候选标签集合和负标签集合，并最终在所有数据上建立最终的关系提取系统。实验结果表明，与几个竞争自训练系统相比，此新型自训练方法确实取得了显着和一致的改进。
self-trainingrelation extractionlow-resourceuncertain instancescandidate-label set
发现论文，激发创造
  • 具有不完全注释的关系抽取的适应性自训练

    本文提出了一种新的自适应重新采样自训练框架，采用精度和召回率对每个类别的伪标签进行重新采样，以增加整体召回率而不过多牺牲精度，并在文件级别和生物医学关系提取数据集上进行实验表明，所提出的自训练框架在数据集的不完全注释时比现有方法表现要好。

    Jun, 2023

  • 通过未知感知训练实现开放集合关系抽取

    本文提出了一种未知关系感知培训方法，通过动态合成负实例来调整模型，以便更准确地检测未知关系。

    Jun, 2023

  • 面向不确定性的引导式学习，用于远程监督数据上的联合抽取

    提出使用不确定性感知引导的自我集成方法，令模型在远程监督数据中更准确地提取有歧义或嘈杂标签的实体对及其关系，实验证明其有效性和优于现有基线的性能。

    May, 2023

  • 增量元自学习的半监督关系抽取

    本文提出了一种名为 MetaSRE 的方法，通过生成质量评估对伪标签进行元学习来降低噪声，同时采用伪标签选择和利用方案，仅以自我训练的方式利用高质量伪标签逐步增加标记样本以提高鲁棒性和准确性。在两个公共数据集上的实验结果表明了所提出方法的有效性。

    Oct, 2020

  • 自训练用于类增量语义分割

    提出了一种基于自监督学习和伪标签的自训练方法，用于减轻深度神经网络在逐步学习新类任务时出现的灾难性遗忘问题，该方法不仅考虑了历史任务的知识，还利用了额外的数据提高了语义分割的性能。

    Dec, 2020

  • SAT: 简单的实例自适应自训练提高半监督文本分类

    本文提出了一种简单的实例自适应自训练方法 (SAT)，用于半监督文本分类。SAT 通过生成两个扩充视图来识别伪标签并用于模型训练，实验结果表明 SAT 方法具有竞争力的性能。

    Oct, 2022

  • 弱监督自训练

    本文提出一种基于弱监督、自训练、规则注意力网络和半监督学习的框架（ASTRA），利用所有可用数据来进行深度学习任务的训练，证明其在文本分类上有显著优势。

    Apr, 2021

  • 基于关系驱动自集成模型的半监督医学图像分类

    本文提出了一种基于关系推理的半监督框架，用于医学图像分类，可通过鼓励输入数据的预测一致性来利用未标记的数据，同时使用自组合模型产生高质量的一致性目标，通过建模不同样本之间的关系信息有效地利用标记数据。该框架明确在扰动下相对于单个预测的语义关系的一致性，鼓励在未标记的数据中探索额外的语义信息。经实验评估，该方法在单标签和多标签图像分类场景中优于许多半监督学习方法。

    May, 2020

  • ST++: 自助学习在半监督语义分割中的优化

    本文提出了一种基于自训练和数据增强的半监督语义分割模型，通过选择可靠的未标注图像优化模型的性能。

    Jun, 2021

  • 知晓假阴性：一种远程监督关系抽取的对抗训练方法

    本文提出一种两阶段的远程监督关系抽取方法，利用深度神经网络的记忆机制和对抗训练解决当前知识库不完整所带来的假阴性问题，并在两个流行基准数据集上验证了方法的有效性。

    Sep, 2021