Dec, 2022

基于最近示例的图神经网络序列标记

PDF
TL;DR本文介绍了一种名为 GNN-SL 的新颖方法，它通过构建异构图并利用图神经网络技术从整个数据集中检索相似标注示例以提高序列标注任务的效果；在实验中，该方法达到了诸多关键任务的最佳性能表现。
graph neural networkssequence labelingheterogeneous graphnamed entity recognitionchinese word segmentation
发现论文，激发创造
  • 基于标签一致性的图神经网络用于半监督节点分类

    本文提出了基于标签一致性的图神经网络（LC-GNN），扩大了 GNN 中的节点感受野，利用未连接但标签相同的节点对。在基准数据集上的实验证明，LC-GNN 在图形半监督节点分类方面优于传统的 GNN，在只有少数标记节点的稀疏场景中也表现出优越性。

    Jul, 2020

  • 少样本学习的混合图神经网络

    本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

    Dec, 2021

  • 增强式自然语言用于生成式序列标记

    该研究提出了一种生成式框架，用于多个序列标记任务和句子级分类。与以往的判别式方法不同，该模型通过共享自然语言输出空间，自然地融合标签语义，并在任务之间共享知识。该框架具有通用性，可在 few-shot、低资源和高资源任务上表现良好，并在命名实体识别、槽位标记和意图分类等基准测试中展示了这些优势。

    Sep, 2020

  • 基于知识迁移的图少样本学习

    本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

    Oct, 2019

  • 序列学习的上下文非局部神经网络

    本文提出了 contextualized non-local neural networks (CN3) 模型，它综合了 self-attention 和 graph neural networks 两种方法的优点，能在一定范围内构建特定任务的句子结构，从而在文本分类、语义匹配和序列标注等 10 个 NLP 任务中表现优异。

    Nov, 2018

  • 基于相似度的图形相邻点选择

    使用基于相似性的邻居选择 (SNS) 方法，通过对语言学习模型 (LLMs) 进行简单提示交互，SNS 在节点分类中展现了优越的性能，并且在图结构理解方面显示出 LLMs 的潜力。

    Feb, 2024

  • 门控图神经网络实现的图到序列学习

    提出了一种新的神经网络模型结合 Gated Graph Neural Networks 和输入转换解决了线性化启发式和参数爆炸问题，可以对 AMR 图和基于语法的神经机器翻译进行生成，实验结果表明该模型优于强基线模型。

    Jun, 2018

  • 使用图卷积神经网络编码句子进行语义角色标注

    本文采用了图卷积神经网络的方法来处理句子的语法依存树，相比仅使用 LSTM 的方法，该方法表现出显著提升，并在中英文的 CoNLL-2009 标准测试中取得了最佳成绩。

    Mar, 2017

  • 自强化图神经网络：利用模型输出提升图神经网络

    本文提出了一种自我增强的图神经网络 (SEG)，通过从拓扑和节点标签两个方面优化输入数据质量，改善了现有 GNN 模型的性能，并配合实验结果验证了 SEG 的效果。

    Feb, 2020

  • CSGNN：通过动态类别选择征服嘈杂节点标签

    该研究论文提出了一种名为 CSGNN 的图神经网络方法，通过使用邻居聚合的潜在空间自适应选择可靠的节点，并解决了过拟合、标签噪声、类别选择和干净节点的学习问题。实验证明，CSGNN 在效果和鲁棒性上优于现有方法。

    Nov, 2023