基于流式标注的训练
计算与语言
2020-04-07 v2
摘要
在本文中，我们处理一种实际场景：训练数据以一系列小规模批次发布，且早期阶段的标注质量低于后期批次。为应对该情况，我们利用预训练的transformer网络来保留并整合来自早期批次的最显著文档信息，同时聚焦于当前批次的标注（预期质量更高）。以事件抽取为案例研究，我们在实验中证明，我们提出的框架表现优于常规方法（绝对F值增益提升幅度为3.6%至14.9%），尤其在早期标注噪声更大时；并且相对于最佳常规方法，我们的方法节省了19.1%的时间。
关键词
引用
@article{arxiv.2002.04165,
title = {Training with Streaming Annotation},
author = {Tongtao Zhang and Heng Ji and Shih-Fu Chang and Marjorie Freedman},
journal= {arXiv preprint arXiv:2002.04165},
year = {2020}
}