FactMix: Using a Few Labeled In-domain Examples to Generalize to Cross-domain Named Entity Recognition

要約

少数の名前付きエンティティ認識 (NER) は、限られたリソース ドメインにおけるエンティティのタグ付けには不可欠であるため、近年適切な注目を集めています。
少数ショット NER の既存のアプローチは、主にドメイン内設定で評価されます。
対照的に、いくつかのラベル付きドメイン内の例を使用して、これらの本質的に忠実なモデルがクロスドメイン NER でどのように動作するかについてはほとんど知られていません。
この論文では、モデルの汎化能力を向上させるための 2 段階の理論的根拠を中心としたデータ拡張方法を提案します。
いくつかのデータセットの結果は、モデルに依存しない手法が、データ拡張手法やプロンプトチューニング手法などの以前の最先端の手法と比較して、クロスドメイン NER タスクのパフォーマンスを大幅に向上させることを示しています。
私たちのコードは https://github.com/lifan-yuan/FactMix で入手できます。

要約(オリジナル)

Few-shot Named Entity Recognition (NER) is imperative for entity tagging in limited resource domains and thus received proper attention in recent years. Existing approaches for few-shot NER are evaluated mainly under in-domain settings. In contrast, little is known about how these inherently faithful models perform in cross-domain NER using a few labeled in-domain examples. This paper proposes a two-step rationale-centric data augmentation method to improve the model’s generalization ability. Results on several datasets show that our model-agnostic method significantly improves the performance of cross-domain NER tasks compared to previous state-of-the-art methods, including the data augmentation and prompt-tuning methods. Our codes are available at https://github.com/lifan-yuan/FactMix.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google