分析多任务学习对生物医学命名实体识别的影响
计算与语言
2020-11-03 v1 机器学习
摘要
开发用于检测生物医学命名实体的高性能系统具有重要意义。基于深度学习的最先进实体识别解决方案通常需要大型标注数据集，而这在生物医学领域是不可得的。迁移学习和多任务学习已被证明可改善低资源领域的性能。然而，这些方法在生物医学领域的应用相对较少，且缺乏对这些方法为何能改善性能的理论理解。在本研究中，我们进行了广泛分析以理解不同生物医学实体数据集之间的可迁移性。我们发现了预测这些数据集之间可迁移性的有用度量。此外，我们提出结合迁移学习和多任务学习来改进生物医学命名实体识别系统的性能，据我们所知此前尚未应用过。
引用
@article{arxiv.2011.00425,
title = {Analyzing the Effect of Multi-task Learning for Biomedical Named Entity Recognition},
author = {Arda Akdemir and Tetsuo Shibuya},
journal= {arXiv preprint arXiv:2011.00425},
year = {2020}
}