LEAN-LIFE：一种面向从解释中学习的标签高效标注框架
计算与语言
2020-04-17 v1 人工智能
机器学习
摘要
成功训练深度神经网络需要海量标注数据语料。然而，每个标签可供学习的信息有限，且收集所需数量的标签涉及大量人力。本工作中，我们介绍LEAN-LIFE，一个基于Web的、面向序列标注与分类任务的标签高效标注(Label-Efficient AnnotatioN)框架，其具有易用的用户界面，不仅允许标注者为任务提供所需标签，还支持针对每个标注决策从解释中学习(LearnIng From Explanations)。此类解释使我们能从无标注实例生成有用的额外标注数据，扩充可用训练数据池。在三个流行NLP任务（命名实体识别、关系抽取、情感分析）上，我们发现使用这种增强监督可使模型以少2倍标注实例超越竞争性基线F1分数5-10个百分点以上。我们的框架首个利用该增强监督技术并应用于三个重要任务——从而向用户提供改进的标注建议，并能够构建（数据、标签、解释）三元组数据集而非常规的（数据、标签）对。
引用
@article{arxiv.2004.07499,
title = {LEAN-LIFE: A Label-Efficient Annotation Framework Towards Learning from Explanation},
author = {Dong-Ho Lee and Rahul Khanna and Bill Yuchen Lin and Jamin Chen and Seyeon Lee and Qinyuan Ye and Elizabeth Boschee and Leonardo Neves and Xiang Ren},
journal= {arXiv preprint arXiv:2004.07499},
year = {2020}
}
备注
Accepted to the ACL 2020 (demo). The first two authors contributed equally. Project page: http://inklab.usc.edu/leanlife/