面向现实单任务连续学习 NER 的研究
计算与语言
2021-10-29 v1 人工智能
机器学习
摘要
随着数据隐私正成为现实世界机器学习应用的优先事项，对连续学习（CL）的兴趣与日俱增。与此同时，仍缺乏适用于现实 CL 设置的学术 NLP 基准，这是该领域进展的一大挑战。在本文中，我们讨论了公开数据集的一些不现实数据特征，研究了现实单任务连续学习的挑战以及数据重演作为减轻精度损失手段的有效性。我们基于现有公开可用数据集构建了一个 CL NER 数据集，并将其与代码一并发布给研究界。
引用
@article{arxiv.2110.14694,
title = {Towards Realistic Single-Task Continuous Learning Research for NER},
author = {Justin Payan and Yuval Merhav and He Xie and Satyapriya Krishna and Anil Ramakrishna and Mukund Sridhar and Rahul Gupta},
journal= {arXiv preprint arXiv:2110.14694},
year = {2021}
}
备注
11 pages, 2 figures, Findings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP) (short paper), November 2021