这项研究提出了一种使用两阶段过程来处理有噪音的远程标记数据的方法，包括滤波和修复嘈杂标签的模型，可以用于超细实体类型任务，具有比原始的远程数据或启发式去噪远程数据表现更好的性能。

May, 2019

通过使用超细粒度实体类型数据训练一个具有极广泛类型覆盖的实体类型模型，然后在新设计的细粒度实体类型模式下，通过少量手动标注的样本对先前训练的模型进行微调，我们提出了一种新的方法，能够避免在新类型架构时创建远距离标记数据的需求，并在低样本学习设置下实现出色的细粒度实体类型识别性能。

Dec, 2023

本文提出了使用 BERT 遮盖语言模型 (Masked Language Model) 获得超细粒度实体类型的训练数据，并构建一个输入使其产生预测上下文相关的超类词表中的概念，其可用作类型标签。在实验结果中表明，通过这些自动生成的标签，超细粒度实体类型模型的性能大大提高。同时，我们还展示了这种方法可以用于改进传统的细粒度实体类型。

Jun, 2021

介绍了一种新的实体类型任务，使用头词来进行大规模远程监督，利用多任务目标训练模型，实现对实体类型的预测，对这一方法进行了实验评估并提供相关数据和模型。

Jul, 2018

本文探讨了信息抽取模型中两种不同类型的噪声：来自远程监督和来自管道输入特征的噪声，并针对实体类型和关系提取等任务提出了使用神经网络模型的多实例多标签学习算法，以及改进噪声实体类型预测和关系提取间的整合方法，通过实验证明概率预测比离散预测更加鲁棒，并联合训练两个任务的效果最好。

Dec, 2016

本研究针对远程监督 Fine-grained 实体类型标注（FET）中存在的错误实体类型标签问题，提出了 Compact Latent Space Clustering（CLSC）方法来进行正则化，并借助标签传播推断出嘈杂数据，在嵌入空间中鼓励具有相似语义的实体提供更好的分类性能，且实验证明此方法在标准基准上普遍优于最先进的远程监督实体类型标注系统。

Apr, 2019

本文提出了一种基于图卷积网络的方法，通过关注语料库级别的上下文提示来提炼含噪声的命名实体类型，实验证明该方法相对于现有研究提高了 10.2％和 8.3％的总体宏 / 微 F1 得分。

Apr, 2020

本文提出了一种新方法，通过估计先前模型的逻辑输出确定潜在的嘈杂标签，然后训练一个鲁邦模型来除去剩余的噪声标签，从而自动校正 FINE-Grained 实体类型任务中的嘈杂标签，证明了方法的有效性。

May, 2022

为了解决细粒度实体类型任务中的噪声标注问题，引入了 Co-Prediction Prompt Tuning 方法，利用多个预测结果来识别和纠正错误标签，并设计了优化目标以考虑训练过程中的不一致预测，实验结果表明该方法显著提高了各种类型的训练样本的质量。

Oct, 2023

LITE is a natural language inference-based approach for ultra-fine entity typing, addressing the data scarcity issue and achieving state-of-the-art performance and strong generalizability.

Feb, 2022