文章目錄

• 1.本文問題
• 2.方法
• 3.用于
• 4. 結論

1.本文問題

解決問題：

• 去噪
  • shifted label distribution
    • 普遍存在此問題，但大家都不解決，只著重于拋棄噪聲實例
    • 遠程監督標記的噪聲數據（KB)和人類標注的測試集分布不同
• pipeline
  • pipeline會增加噪聲的傳遞–傳遞錯誤

2.方法

本文方法：多智能體合作重新標注噪聲實例的聯合模型

• 細粒度地處理
  • 原來：舍棄或留下，二選一，僅對FP
  • 本文：分配置信度，重新標記
    • 選擇目標：噪聲實例
• 輸入
  • KG embedding: transE–type embedding
• extractor:
  • PCNN（僅有關系抽取，實體部分使用CoType）
  • CoType(比PCNN好，因為PCNN是pipeline的
• 多智能體MRL
  • 每個智能體從自己的角度單獨計算一個連續的置信度
    • 相互獨立–分散的
  • 利用實體和關系之間的關聯性，
  • curriculum +PPO：
    • reward大于threshold，或者隊列滿了–使用PPO學習agent策略
    • curriculum learnin：
      • 隊列和采樣的目的：加強任務之間的交互信息和加強agent的探索
• confident consensus module:聚合多智能體的智慧
• 置信度：
  • 連續
  • 使用置信度重新分布noisy training data 用于調整loss
  • 使用RL去探索合適的標簽分布，通過使用置信標簽重分布訓練集
    • 這個方法實用，并且是robust的
    • 并不使用真實世界應用的測試集的信息：不引入真實世界的額外的知識

3.用于

本文方法可作為post-processing plugin：DS,WS

4. 結論

• joint>pipeline
• MRL>joint:
• MRL可以重新標記實例

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的【ACL2020】Relabel the Noise: Joint Extraction of Entities and Relations via Cooperative Multiagents的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。