Jun, 2023

基于数据增强和一致性训练的半监督关系抽取

PDF
TL;DR本篇研究项目中，我们通过控制文本生成的最新技术，进行了高质量的数据增强，同时引入了模型架构的小而显著的改变，从而使得数据插值后进行更多的训练数据生成。这些数据增强方法，结合了稳健性训练，得到了在四个基准数据集上半监督关系提取的非常有竞争力的结果。
relation extractionsemi-supervised learningdata augmentationcontrolled text generationconsistency training
发现论文，激发创造
  • 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

  • 使用弱数据增强进行关系自监督学习的 ReSSL 算法

    本文提出一种新的自监督学习方法 —— 关系自监督学习 (ReSSL) 框架，通过建模不同实例之间的关系来学习表示，采用成对相似度的锐化分布作为关系度量来匹配不同增强的特征向量，实验结果表明我们的方法在性能和训练效率方面显著优于先前的最先进算法。

    Jul, 2021

  • 通过重新审视数据增强和一致性训练来提升半监督 2D 人体姿势估计

    挖掘未标记图像的额外使用能够有效地提高 2D 人体姿态估计器的准确性，通过数据增强和一致性训练方法，我们提出了一种简洁紧凑的半监督学习方法，与先前的方法相媲美，并在公共数据集中带来了显著的改进。

    Feb, 2024

  • 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

  • 文本数据集中的半监督学习算法调研

    通过比较不需要数据增强的 SSL 算法，研究发现三方协作算法与不一致性相结合的方法在文本数据中具有最接近完美效果，但性能差距表明需要开发新的半监督学习算法或改进现有的方法。

    Jan, 2024

  • 从障碍到机遇：通过合成数据增强半监督学习

    通过分析合成图像的问题，本文提出了一种新的 SSL 方法 RSMatch 来解决混合真实和合成图像对 SSL 的影响问题，并通过实验证明 RSMatch 能够更好地利用未标记图像中的合成数据来提高 SSL 性能。

    May, 2024

  • 利用远程监督与人工标注的双重监督框架进行关系提取

    本研究提出了一种双重监督框架，旨在有效利用人工标注数据和远程监督数据来训练关系抽取模型，以应对不同类型的监督数据。该模型采用两种不同的预测网络，分别用于预测人工标注和远程监督标签，并引入不一致性惩罚机制进行优化，实现了更高的抽取精度。

    Nov, 2020

  • 关系抽取的异构监督：一种表示学习方法

    使用来自异构信息源的注释对关系抽取学习进行建模的新型框架 REHession，利用嵌入技术学习上下文信息的分布表示，从而实现了标签真值的推断和精确的关系抽取。

    Jul, 2017

  • 跨域关系抽取的银语法预训练

    本文介绍了基于句法结构和语义之间的亲缘关系，并据此进行中间预训练的关系抽取模型。通过使用相关句法关系进行预训练，不需要额外标注的情况下，该模型在六个跨域设置中有五个比基线模型表现更好。

    May, 2023

  • 关系抽取的标签增强序列生成

    本研究提出了一种改进的 Seq2Seq 模型（RELA），在关系抽取中应用自动标签扩充的文本生成技术，即以关系名或其同义词作为生成目标，并分析了该模型的行为。实验结果显示，相比先前的方法，RELA 在四个关系抽取数据集上取得了竞争性结果。

    Dec, 2022