利用噪声引导攻击增强对比学习：面向真实场景下的持续关系抽取
计算与语言
2023-05-15 v1
摘要
持续关系抽取（CRE）的原则在于适应不断涌现的新关系，同时保留旧知识。尽管当前CRE的研究在保留旧知识方面取得了成功，但在面对受污染的数据流时往往表现不佳。我们认为这归因于它们依赖一个人为假设，即数据流不存在标注错误，这阻碍了CRE在真实世界中的应用。考虑到真实数据集中噪声标签的普遍性，本文形式化了一种更实用的学习场景，称为噪声持续关系抽取（noisy-CRE）。在此具有挑战性的设定下，我们提出了一种抗噪声对比框架，称为对比学习中的噪声引导攻击（NaCL），用于学习增量式的 corrupted 关系。与直接丢弃噪声或不可获取的噪声重标注相比，我们提出通过攻击修改特征空间以匹配给定的噪声标签，能够更好地丰富对比表示。大量实证验证表明，随着噪声率的提高，NaCL能实现一致的性能提升，优于最先进的基线方法。
引用
@article{arxiv.2305.07085,
title = {Enhancing Contrastive Learning with Noise-Guided Attack: Towards Continual Relation Extraction in the Wild},
author = {Ting Wu and Jingyi Liu and Rui Zheng and Qi Zhang and Tao Gui and Xuanjing Huang},
journal= {arXiv preprint arXiv:2305.07085},
year = {2023}
}