利用自协作去噪学习改进远程监督命名实体识别
计算与语言
2023-02-16 v2
摘要
远程监督命名实体识别（DS-NER）有效降低了人工成本，但同时也因远程监督的强假设而固有地受到标签噪声的困扰。通常，错误标注的实例包含大量不完整和不准确的标注噪声，而以往大多数去噪工作仅关注其中一种噪声，未能充分挖掘整个训练集中的有用信息。为解决此问题，我们提出了一种名为自协作去噪学习（SCDL）的鲁棒学习范式，它以互利的方式联合训练两个师生网络，迭代地进行噪声标签精炼。每个网络被设计为通过自去噪来利用可靠标签，两个网络相互通信以通过协作去噪来挖掘不可靠标注。在五个真实世界数据集上的大量实验结果表明，SCDL 优于最先进的 DS-NER 去噪方法。
引用
@article{arxiv.2110.04429,
title = {Improving Distantly-Supervised Named Entity Recognition with Self-Collaborative Denoising Learning},
author = {Xinghua Zhang and Bowen Yu and Tingwen Liu and Zhenyu Zhang and Jiawei Sheng and Mengge Xue and Hongbo Xu},
journal= {arXiv preprint arXiv:2110.04429},
year = {2023}
}
备注
EMNLP (12 pages, 4 figures, 6 tables)