面向 COVID-19 信息检索与抽取的可解释自监督多任务学习
信息检索
2021-06-16 v1 计算与语言
摘要
COVID-19 相关文献的快速演进使得 NLP 模型难以利用符合当前疫情分布的相应标注数据被有效训练以进行信息检索与抽取。另一方面，由于情况的不确定性，始终需要人类专家监督来复核这些模型的决策，凸显了可解释性的重要性。鉴于这些挑战，本研究提出一种可解释的自监督多任务学习模型，以在当前突发卫生危机情况下联合且有效地应对信息检索(IR)与抽取(IE)任务。我们的结果表明，我们的模型有效利用多任务与自监督学习来改善泛化能力、数据效率以及对持续数据集偏移问题的鲁棒性。我们的模型在 IE 与 IR 任务上分别平均以 micro-f 分数 0.08（LCA-F 分数 0.05）和 MAP 0.05 优于基线。在 IE 中，零样本与少样本学习性能平均分别比基线高 0.32 和 0.19 的 micro-f 分数。
引用
@article{arxiv.2106.08252,
title = {Interpretable Self-supervised Multi-task Learning for COVID-19 Information Retrieval and Extraction},
author = {Nima Ebadi and Peyman Najafirad},
journal= {arXiv preprint arXiv:2106.08252},
year = {2021}
}