NLI 能否为低资源生物医学关系抽取提供恰当的间接监督？

生物医学关系抽取（RE）的两个关键障碍是标注稀缺以及由于低标注覆盖率导致大量无显式预定义标签的实例。现有方法将生物医学 RE 视为多分类任务，常导致低资源环境下泛化能力差，且无法对未知案例进行选择性预测，而只能从已知关系中猜测，限制了这些方法的适用性。我们提出 NBR，通过间接监督将生物医学 RE 转化为自然语言推理形式。通过将关系转化为自然语言假设，NBR 能够利用语义线索缓解标注稀缺。通过引入基于排序的损失来隐式校准未决实例，NBR 学习了更清晰的决策边界，并被引导对不确定实例弃判。在 ChemProt、DDI 和 GAD 三个广泛使用的生物医学 RE 基准上的大量实验验证了 NBR 在全集和低资源设定下的有效性。我们的分析表明，即使存在领域鸿沟，间接监督仍有益于生物医学 RE，且将 NLI 知识与生物医学知识结合可带来最佳性能提升。