基于边界判别与相关性纯化的鲁棒小样本命名实体识别
计算与语言
2023-12-14 v1 人工智能
摘要
小样本命名实体识别（NER）旨在利用现有知识识别低资源领域中的新颖命名实体。然而，当前的小样本NER模型假设标注数据都是干净的，没有噪声或离群值，并且很少有工作关注小样本NER中跨领域迁移学习能力对文本对抗攻击的鲁棒性。在本工作中，我们全面探索和评估了小样本NER模型在文本对抗攻击场景下的鲁棒性，并发现了现有小样本NER模型的脆弱性。此外，我们提出了一种鲁棒的两阶段小样本NER方法，即边界判别与相关性纯化（BDCP）。具体而言，在跨度检测阶段，引入实体边界判别模块，以提供一个高度区分的边界表示空间来检测实体跨度。在实体分类阶段，通过最小化干扰信息并促进相关性泛化来纯化实体与上下文之间的相关性，以减轻文本对抗攻击引起的扰动。此外，我们基于公开数据集Few-NERD和Cross-Dataset构建了用于小样本NER的对抗样本。在包含对抗样本的两组小样本NER数据集上的综合评估证明了所提方法的鲁棒性和优越性。
引用
@article{arxiv.2312.07961,
title = {Robust Few-Shot Named Entity Recognition with Boundary Discrimination and Correlation Purification},
author = {Xiaojun Xue and Chunxia Zhang and Tianxiang Xu and Zhendong Niu},
journal= {arXiv preprint arXiv:2312.07961},
year = {2023}
}