通过不确定性感知教师学习与生生协作学习提升远监督命名实体识别的鲁棒性
计算与语言
2025-07-04 v3 人工智能
摘要
远监督命名实体识别（DS-NER）广泛应用于真实场景。它通过将现有知识库中的实体与文本片段匹配，可有效减轻标注负担，但受标签噪声困扰。近期工作尝试采用教师-学生框架逐步精炼训练标签并提升整体鲁棒性。然而，这些教师-学生方法性能有限，因为教师网络校准不良会产生错误的伪标注样本，导致错误传播。因此，我们提出：（1）不确定性感知教师学习，利用预测不确定性在自训练阶段减少错误伪标签数量；（2）生生协作学习，使两个学生网络间传递可靠标签，而非无差别依赖来自教师的全部伪标签，并进一步对误标样本充分探索，而非简单过滤不可靠伪标注样本。我们在五个DS-NER数据集上评估所提方法，表明其优于最先进的DS-NER方法。
引用
@article{arxiv.2311.08010,
title = {Improving the Robustness of Distantly-Supervised Named Entity Recognition via Uncertainty-Aware Teacher Learning and Student-Student Collaborative Learning},
author = {Shuzheng Si and Helan Hu and Haozhe Zhao and Shuang Zeng and Kaikai An and Zefan Cai and Baobao Chang},
journal= {arXiv preprint arXiv:2311.08010},
year = {2025}
}
备注
ACL 2024 (Findings)