SCANNER：面向未见实体鲁棒多模态命名实体识别的知识增强方法

命名实体识别（NER）的最新进展已将该任务的边界推向整合视觉信号，衍生出许多变体，包括多模态 NER（MNER）或基础 MNER（GMNER）。这些任务的一个关键挑战是，模型应能够泛化到训练期间未见过的实体，并且应能够处理带有噪声注释的训练样本。为了解决这一障碍，我们提出了 SCANNER（用于 NER 的 Span 候选检测与识别），这是一个能够有效处理所有三种 NER 变体的模型。SCANNER 采用两阶段结构；我们在第一阶段提取实体候选，并将其作为查询以获取知识，从而有效地从各种来源中提取知识。我们可以通过利用这种以实体为中心的提取知识来解决未见实体，从而提升我们的性能。此外，为了应对 NER 数据集中噪声注释带来的挑战，我们引入了一种新颖的自蒸馏方法，增强了我们的模型在处理具有固有不确定性的训练数据时的鲁棒性和准确性。我们的方法在 NER 基准测试上表现出竞争力，并在 MNER 和 GMNER 基准测试上超越了现有方法。进一步的分析表明，所提出的蒸馏和知识利用方法提高了我们的模型在各种基准测试上的性能。