ErGAN：面向实体解析的生成对抗网络
机器学习
2020-12-21 v1 数据库
摘要
实体解析旨在从单个或多个数据集中识别出表示同一真实世界实体的记录。基于学习的实体解析中的一个主要挑战是如何降低训练所需的标注成本。由于记录对比较的二次方特性，标注是一项代价高昂的任务，常常需要人类专家付出大量精力。受生成对抗网络(GAN)近期进展的启发，我们提出一种名为 ErGAN 的新型深度学习方法以应对该挑战。ErGAN 由两个关键组件构成：一个标签生成器和一个判别器，二者通过对抗学习交替优化。为缓解过拟合与高度不平衡分布的问题，我们设计了多样性与传播两个新颖模块，可大幅提升模型的泛化能力。我们开展了大量实验以实证验证 ErGAN 的标注与学习效率。实验结果表明，ErGAN 优于包括无监督、半监督和监督学习方法在内的最先进基线。
引用
@article{arxiv.2012.10004,
title = {ErGAN: Generative Adversarial Networks for Entity Resolution},
author = {Jingyu Shao and Qing Wang and Asiri Wijesinghe and Erhard Rahm},
journal= {arXiv preprint arXiv:2012.10004},
year = {2020}
}