从混杂其他类中提取因果效应以用于持续命名实体识别
计算与语言
2022-10-11 v1 人工智能
摘要
持续命名实体识别（CL-NER）旨在从数据流中随时间学习不断增长的实体类型数量。然而，以学习新实体类型的相同方式简单地学习其他类（Other-Class）会放大灾难性遗忘并导致性能大幅下降。其背后的主要原因是其他类样本通常包含旧实体类型，且这些其他类样本中的旧知识未被妥善保留。借助因果推断，我们识别出遗忘是由来自旧数据的因果效应缺失所引起的。为此，我们提出一个统一的因果框架，以从新实体类型和其他类中恢复因果关系。此外，我们应用课程学习来减轻标签噪声的影响，并引入自适应权重以平衡新实体类型与其他类之间的因果效应。在三个基准数据集上的实验结果表明，我们的方法大幅优于当前最优（SOTA）方法。而且，我们的方法可与现有的最优方法结合以进一步提升 CL-NER 中的性能。
引用
@article{arxiv.2210.03980,
title = {Distilling Causal Effect from Miscellaneous Other-Class for Continual Named Entity Recognition},
author = {Junhao Zheng and Zhanxian Liang and Haibin Chen and Qianli Ma},
journal= {arXiv preprint arXiv:2210.03980},
year = {2022}
}
备注
Accepted by EMNLP2022