Nov, 2022

基于难度引导的领域自适应在低资源场景下识别生物医学命名实体

PDF
TL;DR本文提出了一种简单而有效的硬度引导域适应框架来提高在低资源情况下学习模型的适应性，并在生物医学数据集上进行实验证明，相较于最近发布的最先进的 MetaNER 模型，我们的模型能够显著提高性能。
domain adaptationbionerhardness-guided adaptationlow-resource scenariosmetaner
发现论文，激发创造
  • 利用通用领域资源增强生物医学命名实体识别

    通过利用通用领域的命名实体识别数据集进行迁移学习，本研究提出了一个简单而有效的方法 GERBERA，用于训练预训练的生物医学语言模型，该模型能在少量生物医学资源的情况下，对多个生物医学数据集进行命名实体识别，其表现优于使用多个附加生物医学数据集训练的基准模型。

    Jun, 2024

  • 基于词嵌入的在线媒体命名实体识别领域自适应

    本文提出了使用分布式词表示有效地将一个领域中学习的模型适应到其他领域的方法，并分析了不同领域之间的语言变异以识别可以提高性能的语言见解，提出了捕捉词汇用法的领域特定语义的方法，并演示了如何有效地使用此类领域特定知识来学习在领域适应设置中优于以前基准的 NER 模型。

    Dec, 2016

  • 小规模和异构生物数据集中的领域自适应

    综述小规模和高度异质的生物学数据中的领域自适应方法，探讨了领域自适应在生物研究中的好处、挑战以及通过关键代表性方法进行的批判性讨论，提出了将领域自适应技术纳入计算生物学家的工具箱，并进一步开发定制方法的观点。

    May, 2024

  • 基于对抗神经表示学习的异构域自适应：以电子商务和网络安全为例的实验

    该研究提出了一种新的框架 Heterogeneous Adversarial Neural Domain Adaptation (HANDA)，专门针对异构环境下的域自适应问题，通过统一的神经网络架构实现特征和分布的对齐以及域不变性，并在主要的图像和文本电子商务基准测试中表现出统计显著的预测性能提高。

    May, 2022

  • 用于跨领域命名实体识别的神经适应层

    本文研究神经网络结构在新闻信息提取任务上的应用，并针对不同领域应用的性能下降问题，提出一种轻量而有效的域适应方法，无需使用源域数据进行重新训练，在社交媒体等新兴领域中具有显著的应用价值。

    Oct, 2018

  • 基于远程监督迭代训练的粗到细的知识图谱领域适应

    本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

    Nov, 2022

  • 生物医学文本命名实体消歧的跨领域数据集成

    本研究提出了一种跨领域数据整合方法，将通用文本知识库中的结构知识转移至医学领域，以解决医学领域的命名实体消岐问题，预训练模型使得命名实体消岐的准确性提高了高达 57 个百分点，并在 MedMentions 和 BC5CDR 两个基准医学命名实体消岐数据集上实现了最先进的性能。

    Oct, 2021

  • 多 BERT：利用适配器和提示调整进行低资源多领域适应

    本研究提出一种使用核心模型和多组领域特定参数的新方法，通过采用提示调优和适配器技术，结合额外层次的参数训练，使得模型能够在各个领域表现出色，甚至在某些领域超越现有模型。此外，我们还分析了各自适应策略的优势、劣势和最佳超参数，最后引入了一种基于文档的领域检测流程，提高了本研究在未知文本领域情景下的适应性和实用性。

    Apr, 2024

  • 基于对抗学习的领域自适应技术提高生物医学机器阅读理解任务的能力

    本篇论文提出了一种基于对抗学习的领域适应框架，即 BioADAPT-MRC，用于解决通用域和生物医学域数据集之间的分布分歧问题，使得在不使用合成或人工注释的数据的情况下，可以实现在生物医学文本阅读理解任务中最好的性能。

    Feb, 2022

  • 启发式域自适应

    本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法 —— 启发式领域自适应 (HDA)，并通过导出启发式表示约束，提出了一种启发式领域自适应网络 (HDAN)。实验证明，该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均超过了现有最先进方法。

    Nov, 2020