Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition Dubbel Adversariale Neurale Oordrag vir Lae- Hulpbron Genaamde Eenheidwerkening ምርጫዎች النقل العصبي التعددي المزدوج للتعرف على الكيان المُسمى منخفض الموارد Düşük ressurs Adlı Entit Tanıması üçün İkinci Əlavə Nöral Transfer Двойен неблагоприятен невронен трансфер за разпознаване на нискоресурсно назовани субекти নিম্ন- মূল্যের জন্য দুই বিভাগ নিউরাল পরিবর্তন རྒྱུ་དངོས་མཐུན་རྐྱེན་ལ་ཉུང་བའི་རྫུན་མིང་ཡོད་པའི་སྒེར་གྱི་དཔེ་གཏན་ཁེལ་བ Duboka poremećajna neurološka prijenosa za priznanje područja nazvana niskim resursima Doua transferència neuronal adversaria per a la reconeixement d'una entitat anomenada baix recursos Dvojitý nepříznivý neuronový transfer pro rozpoznávání nízkých zdrojů jmenovaných entit Dobbelt negativ neural overførsel til genkendelse af navngivne enheder med lav ressource Doppelter negativer neuronaler Transfer zur ressourcenarmen Namenserkennung Διπλή αντιπαθητική Νευρική Μεταφορά για αναγνώριση Ονόματος Χαμηλού Πόρου Transferencia neuronal dual adversaria para el reconocimiento de entidades nombradas de bajos recursos Kahekordne negatiivne neuraalne ülekanne vähese ressursiga nimetatud üksuse tunnustamiseks انتقال عصبی دوم برای شناسایی واحد نامیده شدهی منبع کم Kaksinkertainen adversaarinen hermosiirto vähävaraisten nimettyjen yksiköiden tunnistamisessa Double transfert neuronal contradictoire pour la reconnaissance d'entités nommées à faibles ressources Aistriú Néarrach Sáraimh Dhéi do Aitheantas Aonán Ainmnithe ar Acmhainn Íseal @ action Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition कम संसाधन नामित इकाई मान्यता के लिए दोहरी प्रतिकूल तंत्रिका स्थानांतरण Duboka poremećajna neurološka prijenosa za priznanje područja imenovanih niskim resursima Kettős negatív neurális transzfer az alacsony erőforrású nevezett entitások felismeréséhez Նյարդային երկու հակառակ փոխանցում ցածր ռեսուրսների կոչվող անհատականության ճանաչելու համար Dua Transfer Neural Adversarial untuk Pengenalan Entitas bernama Sumber Terrendah Trasferimento neurale avverso doppio per il riconoscimento di entità nominate a basso contenuto di risorse 低資源の名前付きエンティティ認識のためのデュアル対抗ニューラル転送 Dual Advertorial Neral Trasfer kanggo Kemerdekaan aparat-Ressource Named Entty უფრო მეტი რესურსის სახელი ინტერნეტის განაცნობისთვის მეორე კონპერაციალური ნეირალური გადატანაცია Төменгі ресурс аталған нысандарды анықтау үшін екі конверсариялық невралды тасымалдау 저자원 명명 실체 식별에 사용되는 이중 대항성 신경 전이 Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition കുറഞ്ഞ- വിഭവങ്ങള്ക്കായി രണ്ട് പേരിലെ നെയുറല് മാറ്റങ്ങള് Хоёр бага нөхцөл нэрлэгдсэн Entity Recognition-ын хоёр давхар сэтгэл мэдрэлийн дамжуулалт Pemindahan Neural Berlawan Dua untuk Pengenalan Entiti bernama Sumber rendah Trasferiment Newrali Adversarju Doppju għar-Rikonoxximent ta’ Entità b’Isem ta’ Riżorsi Baxxi Dubbele negatieve neurale overdracht voor de erkenning van benamingen met lage bronnen Ekstra rekursarialt neuraloverføring for å gjenkjenne låg ressursnamnet eining Podwójny przeciwny transfer neuronowy dla rozpoznawania podmiotów o niskich zasobach Transferência Neural Adversarial Dupla para Reconhecimento de Entidade Nomeada de Baixo Recurso Transfer neural adversar dublu pentru recunoașterea entităților denumite cu resurse reduse Двойной сопернический нейронный перенос для распознавания именованных сущностей с низким ресурсом අඩුම සම්බන්ධ නාමයිත අන්තිත්වය පිළිගන්නය සඳහා දුවල් ප්රවේශකය නිර්මාණය Dvojni neželeni prenos živcev za prepoznavanje subjekta z nizkimi viri Dual Adversarial Neural Transfer for Low-Resource named Entity Recognition Transferimi i Dyfishtë Neural kundërshtar për njohjen e njësisë me emër të burimeve të ulta Двојна рекверсаријална неурална преноса за признаване некојих ресурсова имени једноства Dubbel negativ neural överföring för identifiering av namngivna enheter med låg resurs Uhamiaji wa Neural kwa ajili ya rasilimali chini inayoitwa Utambuzi குறைந்த மூலத்திற்கான இரட்டை முன்னோக்கி நரம் மாற்றுதல் Taýik Ressurat Taýýarlanmasy üçin Wagtlaýyn Neural Transfer نیچے رسورس نامیدہ ایڈیٹی شناخت کے لئے دوئل اڈورسٹریل نیورال ترنسفور Name Truyền thần kinh cao độ kép cho nhận dạng con bé có tên gọi. 以低资源名实体识者抗神经移
Joey Tianyi Zhou, Hao Zhang, Di Jin, Hongyuan Zhu, Meng Fang, Rick Siow Mong Goh, Kenneth Kwok
Abstract
We propose a new neural transfer method termed Dual Adversarial Transfer Network (DATNet) for addressing low-resource Named Entity Recognition (NER). Specifically, two variants of DATNet, i.e., DATNet-F and DATNet-P, are investigated to explore effective feature fusion between high and low resource. To address the noisy and imbalanced training data, we propose a novel Generalized Resource-Adversarial Discriminator (GRAD). Additionally, adversarial training is adopted to boost model generalization. In experiments, we examine the effects of different components in DATNet across domains and languages and show that significant improvement can be obtained especially for low-resource data, without augmenting any additional hand-crafted features and pre-trained language model.Abstract
Ons voorstel 'n nuwe neuraloordragmetode wat genoem word Duale Adversariale Oordragnetwerk (DATNet) vir adres van lae- hulpbron genoem Eenheidwerkening (NER). Spesifieke, twee variante van DATNet, t.d., DATNet-F en DATNet-P, word ondersoek om effektief funksiefuisie tussen hoë en lae hulpbron te ondersoek. Om die geluid en onbalanseerde onderwerp data te adres, voorstel ons 'n novel Generaliseer Hulpbron-Adversarial Discriminator (GRAD). In addition, adversarial training is adopted to boost model generalization. In eksperimente ondersoek ons die effekte van verskillende komponente in DATNet oor domeine en tale en wys dat betaling verbetering kan besonderlik verkry word vir lae hulpbron data, sonder om enige addisionele hand-gebreekte funksies en vooraf-opgelei taal model te vergroot.Abstract
አዲስ የneyዌብ መዘዋወር ማድረግ (DATNet) እናስጀምር፡፡ በተለይም፣ የDATNet ሁለት variants፣ አዲስ DATNet-F እና DATNet-P፣ ከፍተኛ እና ታናሽ ክፍለ ክፍተቶችን በመፍጠር ይሞክራሉ፡፡ የድምፅ እና የማይተካከለውን ትምህርት ዳታዎችን ለማገልጽ፣ የዘጠኝ የጽሑፎች-Adversarial Discriminator (GRAD) መዘጋጀት እናደርጋለን፡፡ በተጨማሪም፣ የተቃዋሚ ትምህርት የሞዴል ማሳደቢያ ለማድረግ ተወሰደ፡፡ በተፈተና ውስጥ የዳይተርኔት የልዩ ጉዳዮች በቋንቋዎች እና ቋንቋዎች ሁሉ ላይ የግንኙነቱን ጥቃት እናሳይናለን፡፡Abstract
نقترح طريقة نقل عصبية جديدة تسمى شبكة نقل الخصومة المزدوجة (DATNet) لمعالجة التعرف على الكيانات المسماة منخفضة الموارد (NER). على وجه التحديد ، تم فحص نوعين مختلفين من DATNet ، أي DATNet-F و DATNet-P ، لاستكشاف اندماج الميزات الفعال بين الموارد العالية والمنخفضة. لمعالجة بيانات التدريب الصاخبة وغير المتوازنة ، نقترح نظامًا جديدًا للتمييز بين الموارد العامة (GRAD). بالإضافة إلى ذلك ، تم اعتماد التدريب العدائي لتعزيز تعميم النموذج. في التجارب ، قمنا بفحص تأثيرات المكونات المختلفة في DATNet عبر المجالات واللغات ونوضح أنه يمكن الحصول على تحسينات كبيرة خاصة للبيانات منخفضة الموارد ، دون زيادة أي ميزات إضافية مصنوعة يدويًا ونموذج لغة مُدرب مسبقًا.Abstract
Biz yeni nöral aktarış metodlarını təbliğ edirik, Adlı Entity Recognition (NER) adlı düşük kaynaqlar üçün Dual Adversarial Transfer Network (DATNet). Özellikle, DATNet, DATNet-F və DATNet-P-nin iki dəyişiklik, yüksək və düşük kaynaqlar arasında effektiv fəaliyyətlərin fəaliyyətini keşfetmək üçün araşdırılır. Sesli və müəyyən edilməli təhsil məlumatlarını çəkmək üçün, biz yeni Generalized Resource-Adversarial Discriminator (GRAD) təklif edirik. Əksinə, düşmənçilik təhsil model generalizasyonu artırmaq üçün qəbul edilir. İşlemlərdə, DATNet'də müxtəlif komponentlərin səviyyələri və dillər arasında təşkil edir və göstəririk ki, çox böyük təmizlənəcək məlumatlar üçün xüsusiyyətli təmizlənəcək, əl yaratdığı və əvvəlcə təhsil edilmiş dil modelini artırmadan daha çox təhsil edilə bilər.Abstract
Предлагаме нов метод за невронен трансфер, наречен Двойна рекламна трансферна мрежа (ДАТнет), за адресиране на разпознаване на названите субекти с нисък ресурс. По-конкретно, два варианта на DATNET, т.е., DATNET-F и DATNET-P, са изследвани, за да се изследва ефективното сливане на характеристиките между висок и нисък ресурс. За да се справим с шумните и дисбалансирани данни от обучението, предлагаме нов генерализиран ресурсно-рекламен дискриминатор (ГРАД). Освен това се приема съперническо обучение, за да се засили генерализацията на модела. В експерименти изследваме ефектите на различните компоненти в ДАТнет в различни домейни и езици и показваме, че значително подобрение може да бъде постигнато особено за данни с нисък ресурс, без да се увеличават никакви допълнителни ръчно изработени функции и предварително обучен езиков модел.Abstract
আমরা একটি নতুন নিউরেল পরিবর্তন পদ্ধতি প্রস্তাব করছি যার মাধ্যমে দুইদিল এডভারেরিয়াল ট্রান্সফারের নেটওয়ার্ক (ডাটিনেট) নামের নাম প্রতিষ্ঠান বিশেষ করে, দুই ভিন্ন ডাটিনেট, যেমন ডাটিনেট-এফ এবং ডাটিনেট-পি, উচ্চ এবং নিম্ন সম্পদের মধ্যে কার্যকর ফিফিউশন খুঁজে বের করার জন্য তদন্ত করা হচ্ছে। চিৎকার এবং অসম্পূর্ণ প্রশিক্ষণের তথ্য নিয়ে কথা বলার জন্য আমরা একটি উপন্যাস সাধারণ সম্পদ-এডভারিয়াল বিচারক প্রস্তাব করি। এছাড়াও, বিরোধী প্রশিক্ষণ বাড়ানোর জন্য মডেল উৎপাদনের জন্য গ্রহণ করা হয়েছে। পরীক্ষার মধ্যে আমরা ডেমেন ও ভাষার বিভিন্ন উপাদানের প্রভাব পরীক্ষা করছি এবং দেখাচ্ছি যে বিশেষ করে কম সম্পদের তথ্যের জন্য গুরুত্বপূর্ণ উন্নতি পাওয়া যাবে, আরো কোন হাত-হাতেরAbstract
ང་ཚོས་རང་ཉིད་ཀྱི་ཕྱོགས་སྐྱེལ་འདྲེན་གྱི་ཐབས་ལམ་གསར་བ་ཞིག་སྤྲོད་ཀྱི་རྒྱུ་དངོས་མིན་འདོགས་པ་དེ་Dual Adversarial Transfer Network (DATNet)དང་ཉེན་རྫུན་མིན་ Specifically, two variants of DATNet, i.e., DATNet-F and DATNet-P, are investigated to explore effective feature fusion between high and low resource. སྒྲ་བརྙན་འདི་དང་གནད་དོན་འགྱུར་བའི་གློག་འཕྲིན་ཡིག་ཆ་གསལ་བཤད་ནི་ང་ཚོས་གསར་གཏོང་ཞིག་བྱེད་ཀྱི་ཡོད། ད་དུས་ཀྱང་། གནད་དོན་གྱི་སྤྱིར་བཏང་བའི་གྲ་སྒྲིག་ཐད་ནས་མཐུན་རྐྱེན་བྱེད་ཀྱི་ཡོད། In experiments, we examine the effects of different components in DATNet across domains and languages and show that significant improvement can be obtained especially for low-resource data, without augmenting any additional hand-crafted features and pre-trained language model.Abstract
Predlažemo novu metodu neuralnog prenošenja nazvanu Dualna Adversarial Transfer Network (DATNet) za rješavanje priznanja poduzeća imenovanih niskim resursima (NER). Posebno, dva varianta DATNet, tj. DATNet-F i DATNet-P, istražuju se kako bi istražili efikasnu fuziju funkcija između visokog i niskog resursa. Da bi se riješili bučnim i neravnoteženim podacima o obuci, predlažemo novog generaliziranog diskriminatora resursa i rekonstruacije (GRAD). Osim toga, neprijateljska obuka je usvojena kako bi se poboljšala generalizacija modela. U eksperimentima, pregledamo učinak različitih komponenta u DATNet preko domena i jezika i pokazujemo da se može dobiti značajno poboljšanje posebno za podatke s niskim resursima, a da ne povećamo bilo kakve dodatne funkcije koje su napravljene rukama i predobučene jezičke modele.Abstract
Proposem un nou mètode de transfer ència neuronal anomenat Dual Adversary Transfer Network (DATNet) per abordar el reconeixement d'entitats anomenades amb baix recursos (NER). Specifically, two variants of DATNet, i.e., DATNet-F and DATNet-P, are investigated to explore effective feature fusion between high and low resource. Per abordar les dades d'entrenament sorolloses i desequilibrats, proposem un nou Discriminador Adversari Generalitzat (GRAD). A més, s'adopta formació adversaria per impulsar la generalització del model. En experiments, examinem els efectes de diferents components de DATNet a través de dominis i llengües i demostrem que es pot aconseguir una millora significativa especialment per a les dades amb baix recursos, sense augmentar cap característica manual adicional i un model de llengües pré-entrenat.Abstract
Navrhujeme novou metodu neuronového přenosu nazvanou Dual Adversarian Transfer Network (DATNet) pro řešení rozpoznávání nízkých zdrojů jmenovaných entit (NER). Konkrétně jsou zkoumány dvě varianty DATNet, tj. DATNet-F a DATNet-P, za účelem zkoumání efektivní fúze vlastností mezi vysokým a nízkým zdrojem zdrojů. Pro řešení hlučných a nerovnovážených tréninkových dat navrhujeme nový všeobecný zdroj-nepříznivý diskriminátor (GRAD). Navíc je přijat adversariální trénink pro podporu zobecnění modelu. V experimentech zkoumáme vliv různých komponent v DATNET napříč doménami a jazyky a ukazujeme, že významné zlepšení lze dosáhnout zejména u dat s nízkými zdroji, aniž by bylo rozšířeno jakékoliv další ručně vytvořené funkce a předškolený jazykový model.Abstract
Vi foreslår en ny neural transfer metode kaldet Dual Adversarial Transfer Network (DATNET) til adressering af lav ressource Named Entity Recognition (NER). Specielt undersøges to varianter af DATnet, dvs. DATnet-F og DATnet-P, for at undersøge effektiv funktionsfusion mellem høj og lav ressource. For at løse de støjende og ubalancerede træningsdata foreslår vi en ny Generalised Resource-Adversarial Discriminator (GRAD). Derudover vedtages modstandstræning for at øge modellens generalisering. I eksperimenter undersøger vi virkningerne af forskellige komponenter i DATNET på tværs af domæner og sprog og viser, at betydelige forbedringer kan opnås specielt for lav ressource data, uden at øge yderligere håndlavede funktioner og præ-trænet sprogmodel.Abstract
Wir schlagen eine neue neuronale Transfermethode namens Dual Adversarial Transfer Network (DATNet) vor, um ressourcenarme Named Entity Recognition (NER) zu adressieren. Konkret werden zwei Varianten von DATNet, nämlich DATNet-F und DATNet-P, untersucht, um eine effektive Feature Fusion zwischen hoher und niedriger Ressource zu untersuchen. Um die lauten und unausgewogenen Trainingsdaten anzugehen, schlagen wir einen neuen Generalized Resource-Adversarial Discriminator (GRAD) vor. Darüber hinaus wird ein adversariales Training angewendet, um die Modellverallgemeinerung zu fördern. In Experimenten untersuchen wir die Auswirkungen verschiedener Komponenten in DATNet über Domänen und Sprachen hinweg und zeigen, dass insbesondere für ressourcenarme Daten signifikante Verbesserungen erzielt werden können, ohne zusätzliche handgefertigte Features und vortrainiertes Sprachmodell zu erweitern.Abstract
Προτείνουμε μια νέα μέθοδο νευρολογικής μεταφοράς που ονομάζεται Δίκτυο Διπλής Αντιθετικής Μεταφοράς (ΔΕΤNET) για την αντιμετώπιση της αναγνώρισης Ονόματων με χαμηλούς πόρους. Συγκεκριμένα, δύο παραλλαγές του DATNet, δηλαδή, DATNet-F και DATNet-P, διερευνώνται για να διερευνήσουν την αποτελεσματική σύντηξη χαρακτηριστικών μεταξύ υψηλού και χαμηλού πόρου. Για την αντιμετώπιση των θορυβωδών και ανισορροπημένων δεδομένων εκπαίδευσης, προτείνουμε έναν νέο Γενικευμένο Διαχωριστή Πόρων-Ανταγωνιστών (GRAD). Επιπλέον, υιοθετείται η αντικρουστική εκπαίδευση για την ενίσχυση της γενικοποίησης του μοντέλου. Σε πειράματα, εξετάζουμε τις επιδράσεις των διαφόρων συστατικών του σε τομείς και γλώσσες και αποδεικνύουμε ότι σημαντική βελτίωση μπορεί να επιτευχθεί ειδικά για δεδομένα χαμηλού πόρου, χωρίς να ενισχυθούν τυχόν πρόσθετα χειροποίητα χαρακτηριστικά και προσχεδιασμένο γλωσσικό μοντέλο.Abstract
Proponemos un nuevo método de transferencia neuronal denominado Red de Transferencia Adversarial Dual (DATnet) para abordar el Reconocimiento de Entidades Nombradas (NER) de bajos recursos. Específicamente, se investigan dos variantes de DatNet, es decir, DatNet-f y DatNet-P, para explorar la fusión efectiva de características entre recursos altos y bajos. Para abordar los datos de entrenamiento ruidosos y desequilibrados, proponemos un novedoso discriminador de recursos generalizados y adversarios (GRAD). Además, se adopta el entrenamiento contradictorio para impulsar la generalización del modelo. En experimentos, examinamos los efectos de los diferentes componentes de DATnet en todos los dominios e idiomas y demostramos que se puede obtener una mejora significativa, especialmente para los datos de bajos recursos, sin aumentar las funciones adicionales hechas a mano ni el modelo de lenguaje previamente entrenado.Abstract
Pakume välja uue neuraalse ülekande meetodi nimega Dual Adversarial Transfer Network (DATNet) madala ressursiga nimetatud isikute tuvastamise (NER) käsitlemiseks. Täpsemalt uuritakse kahte DATNet varianti, st DATNet-F ja DATNet-P, et uurida tõhusat funktsioonide ühinemist suure ja madala ressursi vahel. Mürakate ja tasakaalustamatute koolitusandmete käsitlemiseks pakume välja uue üldise ressursi kahjuliku diskrimineerija (GRAD). Lisaks võetakse vastu võistlejate koolitus mudeli üldistamise edendamiseks. Katsetes uurime DATNet'i erinevate komponentide mõju domeenide ja keelte vahel ning näitame, et märkimisväärselt on võimalik täiustada eriti vähese ressursiga andmete puhul, täiendamata täiendavaid käsitsi valmistatud funktsioone ja eelkoolitud keelemudelit.Abstract
ما پیشنهاد میکنیم یک روش انتقال عصبی جدید به نام شبکه دوم انتقال تجاوز (DATNet) برای پذیرش شناسایی entity نامیده شدهی منبع کم (NER). مخصوصا، دو متفاوت DATNet، یعنی DATNet-F و DATNet-P، برای تحقیق فعالیت موثری بین منابع بالا و پایین تحقیق میشوند. برای حل داده های آموزش صوتی و نابرابری، ما یک نویس جداییکنندهی منابعهای مخالفت (GRAD) را پیشنهاد میکنیم. به اضافه، آموزش دشمنی برای افزایش مدل ژنرالیزی پذیرفته می شود. در آزمایشات، ما اثرات بخشهای مختلف در DATNet در سرزمینهها و زبانها تحقیق میکنیم و نشان میدهیم که بهترین زیادی برای دادههای کم منابع میتواند به خصوص برای دادههای کم، بدون افزایش هیچ ویژههای اضافهای از دستسازی و مدل زبان پیشAbstract
Ehdotamme uutta neuronsiirtomenetelmää nimeltä Dual Adversarial Transfer Network (DATNet) matalaresurssisten Nimettyjen entiteettien tunnistamiseen (NER). Tarkemmin sanottuna tutkitaan kahta DATNet-varianttia eli DATNet-F ja DATNet-P, jotta voitaisiin tutkia tehokasta ominaisuuksien fuusiota korkean ja matalan resurssin välillä. Meluisten ja epätasapainoisten koulutustietojen käsittelemiseksi ehdotamme uutta yleistä resurssi-adversariaalista syrjintää (GRAD). Lisäksi mallien yleistymisen edistämiseksi otetaan käyttöön vastustajakoulutus. Kokeiluissa tutkimme DATNet-komponenttien vaikutuksia eri toimialueiden ja kielten välillä ja osoitamme, että merkittävää parannusta voidaan saavuttaa erityisesti vähäresurssisen datan osalta, lisäämättä mitään käsintehtyjä ominaisuuksia ja ennalta koulutettua kielimallia.Abstract
Nous proposons une nouvelle méthode de transfert neuronal appelée Dual Adversarial Transfer Network (DatNet) pour traiter la reconnaissance d'entités nommées (NER) à faibles ressources. Plus précisément, deux variantes de DatNet, à savoir DatNet-F et DatNet-P, sont étudiées pour explorer la fusion efficace des caractéristiques entre les ressources élevées et faibles. Pour traiter les données d'entraînement bruyantes et déséquilibrées, nous proposons un nouveau discriminateur antagoniste généralisé des ressources (GRAD). De plus, la formation contradictoire est adoptée pour favoriser la généralisation des modèles. Dans le cadre d'expériences, nous examinons les effets de différents composants de DatNet dans différents domaines et langues et montrons qu'une amélioration significative peut être obtenue, en particulier pour les données à faibles ressources, sans augmenter les fonctionnalités artisanales supplémentaires et le modèle linguistique pré-formé.Abstract
Molaimid modh aistrithe néaraigh nua ar a dtugtar Líonra Aistrithe Sáraíochta Dual (DATNet) chun aghaidh a thabhairt ar Aitheantas Aonán Ainmnithe ar acmhainní íseal (NER). Go sonrach, déantar imscrúdú ar dhá leagan de DATNet, ie, DATNet-F agus DATnet-P, chun comhleá gné éifeachtach idir acmhainn ard agus acmhainn íseal a iniúchadh. Chun aghaidh a thabhairt ar na sonraí oiliúna torannacha agus éagothroma, molaimid Idirdhealaitheoir Ginearálta Acmhainne-Sáraíochta (GRAD). Ina theannta sin, glactar le hoiliúint sháraíochta chun ginearálú na samhla a threisiú. I dturgnaimh, scrúdaímid éifeachtaí na gcomhpháirteanna éagsúla in DATNet thar réimsí agus teangacha agus léirímid gur féidir feabhas suntasach a bhaint amach go háirithe i gcás sonraí íseal-acmhainne, gan cur le haon ghnéithe lámhdhéanta breise agus samhail teanga réamhoilte.Abstract
Tuna buɗe wata hanyor transfer neural da aka haɗa jerin ta Dual Adversarial Transmitter Net (DATNet) wa addressing lower-resource sunan Entity Recognition (NER). Aka ƙayyade, an tambaye variants biyu na DATNet, misali DATNet-F da DATNet-P, dõmin a buɗe mafiya amfani da fassarar fusion tsakanin sarki da kuma ƙasan resource. To, in addressi da data na aikin aiki da ba da inganci ba, za'a buƙata wani noveli mai General Resource-Adversarial Discernor (GrraD). Da haka, aka zãɓi wa wa mai motsi zuwa a boost zaɓen motel. Aka cikin jarrabãwa, Munã jarraba musamman masu cikin DATNet kowace duk wurãre da harshen, kuma munã nuna cewa za'a iya samar da mafiya girma wa data masu ƙaranci-resource, kuma bã zã mu ƙara wani sifati da hannayen da aka yi hannayen da kuma misãlin da aka yi wa zaman-hakari.Abstract
אנו מציעים שיטת העברה עצבית חדשה שנקראת רשת העברה התנגדות כפולה (DATNet) כדי להתייחס לזיהוי ישות בשם משאבים נמוכים (NER). במיוחד, שני שונים של DATNet, כלומר DATNet-F ו DATNet-P, חוקרים כדי לחקור פיזוציה יעילה בין משאבים גבוהים לבין משאבים נמוכים. כדי להתמודד עם נתוני האימונים הרעשיים והלא מאוזנים, אנו מציעים ניתוח נורמלי משאבים-נוגדים (GRAD). בנוסף, האימוץ היריב מאומץ כדי לעדכן את הגנרליזציה של מודל. בניסויים, אנו בודקים את ההשפעות של רכיבים שונים ב DATNet ברחבי תחומות ושפות ולהראות שיפור משמעותי אפשר להשיג במיוחד עבור מידע משאבים נמוכים, מבלי להוסיף כל תכונות נוספים משומנות ידנית ומודל שפה מוכשר מראש.Abstract
हम कम संसाधन नामित एंटिटी रिकग्निशन (एनईआर) को संबोधित करने के लिए डुअल एडवर्सरियल ट्रांसफर नेटवर्क (DATNet) नामक एक नई तंत्रिका हस्तांतरण विधि का प्रस्ताव करते हैं। विशेष रूप से, DATNet के दो रूपों, अर्थात्, DATNet-F और DATNet-P, उच्च और निम्न संसाधन के बीच प्रभावी सुविधा संलयन का पता लगाने के लिए जांच की जाती है। शोर और असंतुलित प्रशिक्षण डेटा को संबोधित करने के लिए, हम एक उपन्यास सामान्यीकृत संसाधन-प्रतिकूल भेदभाव (GRAD) का प्रस्ताव करते हैं। इसके अतिरिक्त, मॉडल सामान्यीकरण को बढ़ावा देने के लिए प्रतिकूल प्रशिक्षण अपनाया जाता है। प्रयोगों में, हम डोमेन और भाषाओं में DATNet में विभिन्न घटकों के प्रभावों की जांच करते हैं और दिखाते हैं कि किसी भी अतिरिक्त हाथ से तैयार की गई सुविधाओं और पूर्व-प्रशिक्षित भाषा मॉडल को बढ़ाने के बिना, विशेष रूप से कम संसाधन डेटा के लिए महत्वपूर्ण सुधार प्राप्त किया जा सकता है।Abstract
Predlažemo novu metodu neuralnog prenošenja nazvanu Dualna Adversarial Transfer Network (DATNet) za rješavanje priznanja poduzeća imenovanih niskim resursima (NER). Posebno se istražuju dvije variante DATNet, tj. DATNet-F i DATNet-P, kako bi istražili učinkovitu fuziju funkcija između visokog i niskog resursa. Da bi se riješili bučnim i neravnoteženim podacima o obuci, predlažemo novog generaliziranog diskriminatora resursa i prosvjetitelja (GRAD). Osim toga, neprijateljska obuka je usvojena kako bi se povećala generalizacija modela. U eksperimentima, pregledamo učinak različitih komponenata DATNet-a u svim domenama i jezicima i pokazujemo da se može dobiti značajno poboljšanje posebno za podatke s niskim resursima, bez povećanja dodatnih karakteristika koje su napravljene rukama i predobučenog jezičkog modela.Abstract
Az alacsony erőforrású Nevezett Entity Recognition (NER) kezelésére javasoltunk egy új neurális transzfer módszert, a Dual Adversarial Transfer Network (DATNET) néven. Konkrétan a DATnet két változatát, azaz a DATnet-F és DATnet-P vizsgálják, hogy feltárják a nagy és alacsony erőforrás hatékony funkciófúzióját. A zajos és kiegyensúlyozatlan edzési adatok kezelése érdekében új generált erőforrás-negatív diszkriminátort (GRAD) javasolunk. Ezenkívül az ellenséges képzést is elfogadják a modell általánosításának fokozására. Kísérletekben megvizsgáljuk a DATnet különböző komponenseinek hatásait domaineken és nyelveken, és megmutatjuk, hogy jelentős javulás érhető el különösen az alacsony erőforrású adatok esetében, anélkül, hogy bővítenénk további kézzel készített funkciókat és előre képzett nyelvi modellt.Abstract
Մենք առաջարկում ենք նոր նյարդային փոխանցման մեթոդ, որը կոչվում է Երկու հակառակ փոխանցման ցանց (DATNet), որպեսզի լուծվի ցածր ռեսուրսների կոչվող անհատականության ճանաչելու համար (Net). Հատկապես, DATNet-ի երկու տարբերակը, այսինքն DATNet-F և DATNet-P-ը, ուսումնասիրում են, որպեսզի ուսումնասիրեն բարձր և ցածր ռեսուրսների միջև արդյունավետ ֆունկցիոնալ հատկություններ: Որպեսզի լուծենք աղմկոտ և անհավասարակշռություն ունեցող ուսուցման տվյալները, մենք առաջարկում ենք նոր ընդհանուր ռեսուրսների-հակառակյալ խտրականություն (GRAD ը): Ավելին, հակառակորդ վարժությունները ընդունվում են, որպեսզի խթանեն մոդելների ընդհանուր ընդլայնումը: Փորձերի ընթացքում մենք ուսումնասիրում ենք DATNet-ի տարբեր բաղադրիչների ազդեցությունները տարբեր բնագավառներում և լեզուներում և ցույց ենք տալիս, որ կարևոր զարգացում կարելի է հասնել հատկապես ցածր ռեսուրսների տվյալների համար, առանց որևէ ավելացնելու ձեռքով պատրաAbstract
Kami mengusulkan metode transfer saraf baru bernama Dual Adversarial Transfer Network (DATNet) untuk mengatasi pengenalan Entitas bernama sumber daya rendah (NER). Secara spesifik, dua varian DATNet, i.e., DATNet-F dan DATNet-P, diselidiki untuk mengeksplorasi fitur fusi efektif antara sumber daya tinggi dan rendah. Untuk mengatasi data pelatihan yang berisik dan tidak seimbang, kami mengusulkan sebuah novel Generalised Resource-Adversarial Discriminator (GRAD). Selain itu, pelatihan musuh diadopsi untuk meningkatkan model generalisasi. Dalam eksperimen, kami memeriksa efek dari komponen yang berbeda di DATNet di seluruh domain dan bahasa dan menunjukkan bahwa peningkatan yang signifikan dapat diperoleh khususnya untuk data sumber daya rendah, tanpa meningkatkan fitur-fitur manual tambahan dan model bahasa yang terlatih.Abstract
Proponiamo un nuovo metodo di trasferimento neurale denominato Dual Adversarial Transfer Network (DATNET) per affrontare il riconoscimento di entità denominate a bassa risorsa (NER). Nello specifico, due varianti di DATnet, cioè DATnet-F e DATnet-P, sono state studiate per esplorare un'efficace fusione di funzionalità tra risorse elevate e basse. Per affrontare i dati di allenamento rumorosi e sbilanciati, proponiamo un nuovo GRAD (Generalized Resource-Adversarial Discriminator). Inoltre, la formazione avversaria è adottata per aumentare la generalizzazione del modello. In esperimenti, esaminiamo gli effetti di diversi componenti in DATNet tra domini e lingue e mostriamo che è possibile ottenere miglioramenti significativi soprattutto per i dati a basso contenuto di risorse, senza aumentare ulteriori funzionalità artigianali e modelli linguistici pre-addestrati.Abstract
私たちは、低資源の名前付きエンティティ認識（ NER ）に対処するために、Dual Adversarial Transfer Network （ DATNet ）と呼ばれる新しいニューラル転送方法を提案します。具体的には、ＤＡＴＮｅｔの２つのバリアント、すなわち、ＤＡＴＮｅｔ － Ｆ及びＤＡＴＮｅｔ － Ｐを調査して、高リソースと低リソースとの間の効果的な特徴融合を探求する。騒音と不均衡なトレーニングデータに対処するために、私たちは新規のGeneralized Resource - Adversarial Discriminator （ GRAD ）を提案します。さらに、モデルの一般化を促進するために、対抗トレーニングが採用されています。実験では、ドメインと言語にわたるDATNetのさまざまなコンポーネントの効果を検討し、手作業で作成された追加の機能と事前にトレーニングされた言語モデルを拡張することなく、特に低リソースデータに対して有意な改善を得ることができることを示します。Abstract
Awak dhéwé gunakake sistem sing dibutuhke maneh sing dibutuhke, terme Dual Advertorial Trasfer Network (DEDNet) kanggo nambah apat-akèh lan nganggo akèh basa gambar Named EntityLearning (NeR). CURRENTCURRENT kanggo nganggo data sing nggawe barang lan bebasan dumadhi, kita supoyo un barêng Generalizaed Ressource-Advertorial Diskiminater (ARGED). Tulung bon, tukang karo pakan langgar sampeyan nggawe ngubah model Generalizasi. Nang ujaran, kéné ujaran efek karo kompon sing sampeyan nêmên banget karo perusahaan anyar sampeyan karo alêngéAbstract
ჩვენ შეგიძლიათ ახალი ნეიროლური გადატანსტის მეტი, რომელსაც ეუალური გადატანსტის ქსელი (DATNet) მისაღებლად გადაწყენება სახელ რესურსის სახელ სახელ ინტერტის განახლება განსაკუთრებულია, DATNet-F და DATNet-P-ის ორი განრამეტრები, მაგალითად მაღალი და მაღალი რესურსის შორის ეფექტიური ფუნქციების ფუნქციის გამოყენება. ჩვენ განვითარებთ ნომალური გენერალური რესურსი-კომპერსალიური დისკრიმინატორი (GRAD). დამატებით, ანგარიალური განსწავლება იქნება, რომ მოდელის გენერალიზაციას უფრო მეტირებად. ექსპერიმენტებში, ჩვენ DATNet-ში განსხვავებული კომპონენტების ეფექტები დიომენტებში და ენაში ჩვენ გავაკეთებთ, რომ მნიშვნელოვანი უფლება შეიძლება მიიღება სხვადასხვა რესურსისების მონაცემებისთვის, არცAbstract
Біз жаңа невралды тасымалдау әдісін таңдаймыз. Қосымша конверсариялық тасымалдау желі (DATNet) деп аталатын невралдық тасымалдау әдісін таңдаймыз. Ескерту үшін DATNet- F және DATNet- P екі варианты, көп және төмен ресурстар арасындағы эффективті мүмкіндіктерді зерттеу үшін іздейді. Дыбыс және балансияланған оқыту деректерін өзгерту үшін, біз жалпы Генерализацияланған ресурс-конверсариялық дискриминаторды (GRAD) таңдаймыз. Қосымша, қарсы оқыту үшін жалпы үлгілерді көтеру үшін қолданылады. Тәжірибелерде, DATNet компонентінің әртүрлі компоненттерінің эффекттерін домендер мен тілдер арасында тексеріп, өзгертілген жақсартуларды өзгертуге болады, сондай-ақ қосымша қол құрылған мүмкіндіктерді және алдын- оқылған тілAbstract
우리는 저자원 명칭 실체 식별(NER) 문제를 해결하기 위해 이중 대항 전송망(DATNet)이라는 새로운 신경 전송 방법을 제시했다.구체적으로 DATNet의 두 가지 변체, 즉 DATNet-F와 DATNet-P를 연구하여 높은 자원과 낮은 자원 간의 효과적인 특징 융합을 탐색했다.소음과 불균형한 훈련 데이터를 해결하기 위해 우리는 새로운 광의적 자원 대항 감별기(GRAD)를 제시했다.이 밖에 대항적인 훈련을 통해 모델의 범위화 능력을 향상시킨다.실험에서 우리는 DATNet에서 서로 다른 구성 요소가 서로 다른 분야와 언어에서의 효과를 검사했고 그 어떠한 추가 수동 제작 기능과 미리 훈련된 언어 모델도 증가하지 않은 상황에서 현저한 개선을 얻을 수 있으며 특히 저자원 데이터에 대해 현저한 개선을 얻을 수 있음을 나타냈다.Abstract
Siūlome naują neurologinio perdavimo metodą, vadinamą dvigubo prieštaringo perdavimo tinklu (DATNet), skirtą mažai išteklių vadinamų subjektų pripažinimui (NER) spręsti. Tiksliau tiriami du DATNet variantai, t. y. DATNet-F ir DATNet-P, siekiant i štirti veiksmingą didelių ir mažų išteklių branduolių sintezę. Siekiant išspręsti triukšmingus ir disbalansuotus mokymo duomenis, siūlome naują generalizuotą išteklių ir prieštaringų diskriminatorių (GRAD). Be to, norint paskatinti modelio generalizaciją, rengiamas priešingas mokymas. Eksperimentuose nagrinėjame skirtingų DATNet komponentų poveikį įvairiose srityse ir kalbose ir parodome, kad galima gerokai pagerinti, ypač mažai išteklių turinčių duomenų atveju, nepadidinant jokių papildomų rankiniu būdu sukurtų savybių ir iš anksto parengtų kalbų modelių.Abstract
Предложуваме нов метод на нервен трансфер наречен Двојна непријатна трансферсна мрежа (DATNet) за решавање на признавањето на ентитетите наречени ниски ресурси (NER). Специфично, се истражуваат два варијанти на DATNet, т.е., DATNet-F и DATNet-P, за да се истражува ефикасна фузија на карактеристики помеѓу високи и ниски ресурси. За да ги решиме бучните и нерамнотежните податоци за обука, предложуваме нов генерализиран дискриминатор против ресурсите (ГРАД). Покрај тоа, се усвои непријателска обука за зајакнување на генерализацијата на моделот. Во експериментите, ги испитуваме ефектите на различните компоненти во DATNet низ домените и јазиците и покажуваме дека значително подобрување може да се постигне особено за податоци со ниски ресурси, без зголемување на никакви дополнителни рачно направени карактеристики и предобучен јазички моделAbstract
കുറഞ്ഞ വിഭവങ്ങളുടെ പേരില് പേരുള്ള എന്റിറ്റിറ്റി തിരിച്ചറിയുന്നതിനായി നമ്മള് പുതിയ നെയൂറല് മാറ്റുന്ന രീതി പ്രത്യേകിച്ച്, DATNet, DATNet-F, DATNet-P, രണ്ടു വേറിയന്ത്രങ്ങള്, ഉയരത്തില് നിന്നും കുറഞ്ഞ വിഭവങ്ങള്ക്കിടയില് സാധ്യതയുള്ള ഫ്യൂഷന് പരിശോധ ശബ്ദവും അസാധുവുമായ പരിശീലനത്തിന്റെ വിവരങ്ങള് വിശദീകരിക്കാന്, നമ്മള് ഒരു നോവല് പൊതുവാക്കുന്ന വിഭവങ്ങള്- വിവരങ്ങളുടെ വി കൂടാതെ, വിരോധമായ പരിശീലനം മോഡല് ജനറലേഷന് വര്ദ്ധിപ്പിക്കാന് തെരഞ്ഞെടുത്തിരിക്കുന്നു. പരീക്ഷണങ്ങളില്, ഡാട്ടിനെറ്റിലെ വ്യത്യസ്ത ഭാഷകളുടെ പ്രഭാവങ്ങള് നമ്മള് പരിശോധിക്കുകയും, പ്രധാനപ്പെട്ട വിഭവങ്ങള്ക്ക് പ്രത്യേകം മെച്ചപ്പെടുത്തുകയും ചെയ്യുAbstract
Бид шинэ мэдрэлийн шилжүүлэлтийн арга зам "Dual Adversarial Transfer Network" (DATNet) гэдэг нь бага нөөц нэрлэгдсэн Entity Recognition (NER) юм. ДАТНЕТ, ДАТНЕТ-F, DATNet-P хоёр төрлийн өөрчлөлт нь өндөр болон бага нөөцийн хоорондох эффективнуудыг судалж байна. Дуу дуу болон тэгш байдалгүй сургалтын өгөгдлийн тухай ярилцахын тулд бид шинэ нэр дэвшилтэй Байгаль-Эмчилгээний Дискриминатор (GRAD) гэж санал болно. Мөн эсрэг сургалт нь загварын ерөнхийлөгчийг нэмэгдүүлэхэд хүргэж байна. ДАТНЕТ-ийн олон компонентын нөлөөлөлүүдийг судалж, хэл болон хэл дахь олон тоонуудын нөлөөлөлүүдийг харуулж, ялангуяа бага нөлөөлөгч өгөгдлийн тоо баримтуудын тулд нэмэлт гар бүтээгдэхүүнийг болон сургалтын өмнө сургалтын заAbstract
Kami cadangkan kaedah pemindahan saraf baru bernama Rangkaian Pemindahan Berlawan Dua (DATNet) untuk mengatasi Pengenalan Entiti bernama sumber rendah (NER). Secara khusus, dua varian DATNet, iaitu DATNet-F dan DATNet-P, diseliti untuk mengeksplorasi fusi ciri-ciri yang efektif antara sumber tinggi dan rendah. Untuk mengatasi data latihan yang bunyi dan tidak seimbang, kami melamar novel Generalised Resource-Adversarial Discriminator (GRAD). Lagipun, latihan musuh diterima untuk meningkatkan pemandangan model. Dalam eksperimen, kami memeriksa kesan komponen yang berbeza dalam DATNet melalui domain dan bahasa dan menunjukkan bahawa peningkatan yang signifikan boleh dicapai terutama untuk data sumber rendah, tanpa menambah mana-mana ciri-ciri tangan yang ditambah dan model bahasa yang dilatih.Abstract
Aħna nipproponu metodu ġdid ta’ trasferiment newrali msejjaħ Netwerk ta’ Trasferiment Doppju Adversarju (DATNet) biex nindirizzaw ir-Rikonoxximent ta’ Entità msejħa b’riżorsi baxxi (NER). Speċifikament, żewġ varjanti ta’ DATNet, jiġifieri DATNet-F u DATNet-P, huma investigati biex jesploraw fużjoni effettiva ta’ karatteristiċi bejn riżorsi għoljin u baxxi. Biex nindirizzaw id-dejta dwar it-taħriġ storbjuż u żbilanċjat, nipproponu Diskriminatur Ġeneralizzat tar-Riżorsi-Adversarji (GRAD) ġdid. Barra minn hekk, huwa adottat taħriġ avversarju biex tingħata spinta lill-ġeneralizzazzjoni tal-mudell. Fl-esperimenti, aħna jeżaminaw l-effetti ta’ komponenti differenti fid-DATNet fl-oqsma u l-lingwi kollha u nuru li jista’ jinkiseb titjib sinifikanti speċjalment għal dejta b’riżorsi baxxi, mingħajr ma jżidu l-karatteristiċi addizzjonali maħduma bl-idejn u mudell lingwistiku mħarreġ minn qabel.Abstract
We stellen een nieuwe neurale transfer methode voor, genaamd Dual Adversarial Transfer Network (DATNet) voor het aanpakken van low-resource Named Entity Recognition (NER). In het bijzonder worden twee varianten van DATNet, dat wil zeggen DATNet-F en DATNet-P, onderzocht om effectieve feature fusion tussen hoge en lage resource te onderzoeken. Om de lawaaierige en onevenwichtige trainingsgegevens aan te pakken, stellen we een nieuwe Generalized Resource-Adversarial Discriminator (GRAD) voor. Daarnaast wordt adversaire training aangenomen om de generalisatie van modellen te stimuleren. In experimenten onderzoeken we de effecten van verschillende componenten in DATNet in domeinen en talen en tonen we aan dat significante verbetering kan worden verkregen, vooral voor low-resource data, zonder toevoeging van extra handgemaakte functies en voorgetrainde taalmodel.Abstract
Vi foreslår eit ny neuraloverføringsmetode kalla Dual Adversarial Transfer Network (DATNet) for å adressa til låg ressurs- namnet Entity Recognition (NER). Spesielt vert to variantar av DATNet, t.d. DATNet-F og DATNet-P, undersøkte for å utforska effektiv funksjonsfusjon mellom høg og låg ressurs. For å handtera støy og ulike opplæringsdata, foreslår vi ein novel generelisert ressurs- rekurs- diskriminator (GRAD). I tillegg er det mottatt adversarialsk opplæring for å styra generellisering av modellen. I eksperimenter undersøker vi effekten av ulike komponentar i DATNet over domene og språk, og viser at signifikante forbedringar kan få særlig for låg ressursdata, utan å auka andre funksjonar med håndkopla og før-trenga språk.Abstract
Proponujemy nową metodę transferu neuronowego zwaną Dual Adversarial Transfer Network (DATNet) do rozpoznawania nazw podmiotów o niskich zasobach (NER). W szczególności badane są dwa warianty DATNet, tj. DATNet-F i DATNet-P, w celu zbadania efektywnej fuzji cech pomiędzy wysokim i niskim zasobem. Aby rozwiązać problemy hałaśliwych i niezrównoważonych danych treningowych, proponujemy nowy uogólniony dyskryminator zasobów-przeciwników (GRAD). Dodatkowo przyjmuje się szkolenie przeciwne, aby zwiększyć uogólnienie modelu. W eksperymentach badamy efekty różnych składników DATNet w różnych domenach i językach i pokazujemy, że znaczną poprawę można uzyskać zwłaszcza w przypadku danych o niskim zasobie, bez rozszerzania dodatkowych ręcznie wykonanych funkcji i wstępnie przeszkolonego modelu językowego.Abstract
Propomos um novo método de transferência neural denominado Dual Adversarial Transfer Network (DATNet) para endereçar o Reconhecimento de Entidade Nomeada (NER) de baixo recurso. Especificamente, duas variantes de DATNet, ou seja, DATNet-F e DATNet-P, são investigadas para explorar a fusão efetiva de recursos entre alto e baixo recurso. Para lidar com os dados de treinamento ruidosos e desequilibrados, propomos um novo Generalized Resource-Adversarial Discriminator (GRAD). Além disso, o treinamento adversário é adotado para impulsionar a generalização do modelo. Em experimentos, examinamos os efeitos de diferentes componentes no DATNet em domínios e idiomas e mostramos que uma melhoria significativa pode ser obtida especialmente para dados de poucos recursos, sem aumentar nenhum recurso artesanal adicional e modelo de idioma pré-treinado.Abstract
Propunem o nouă metodă de transfer neural denumită Dual Adversarial Transfer Network (DATNet) pentru abordarea recunoașterii entităților denumite cu resurse reduse (NER). Mai exact, două variante de DATnet, și anume DATnet-F și DATnet-P, sunt investigate pentru a explora fuziunea eficientă a caracteristicilor între resurse mari și scăzute. Pentru a aborda datele zgomotoase și dezechilibrate de antrenament, propunem un nou Discriminator Generalizat Resurse-Adversarial (GRAD). În plus, este adoptată formarea adversară pentru a stimula generalizarea modelului. În cadrul experimentelor, examinăm efectele diferitelor componente din DATnet în domenii și limbi și arătăm că se pot obține îmbunătățiri semnificative în special pentru datele cu resurse reduse, fără a spori caracteristicile suplimentare realizate manual și modelul lingvistic pre-instruit.Abstract
Мы предлагаем новый метод нейронной передачи под названием Dual Contversarial Transfer Network (DATNet) для адресации низкоресурсного распознавания именованных сущностей (NER). В частности, изучаются два варианта DATNet, а именно DATNet-F и DATNet-P, для изучения эффективного слияния функций высокого и низкого ресурса. Для решения проблемы шумных и несбалансированных данных обучения мы предлагаем новый генерализованный ресурсно-адвокатский дискриминатор (GRAD). Кроме того, для ускорения обобщения модели принята состязательная подготовка. В экспериментах мы изучаем влияние различных компонентов в DATNet на домены и языки и показываем, что можно добиться значительных улучшений, особенно для малоресурсных данных, без дополнения каких-либо дополнительных функций ручной работы и предварительно обученной языковой модели.Abstract
අපි අළුත් න්යූරල් ප්රවර්තනය විධානයක් සංවේදනය කරනවා දුල් ප්රවර්තනය ජාලය විශේෂයෙන්, DATNet ගැන, DATNet-F සහ DATNet-P වර්ගයක් දෙකක් පරීක්ෂණය කරලා තියෙන්නේ උඩ සහ අඩුම සම්පූර්ණයක් අතර සම්පූර්ණය ස ශබ්ද සහ නිර්මාණය කරපු ප්රධාන දත්ත විශ්වාස කරන්න, අපි ප්රධානයක් සාමාන්ය විශ්වාසිත විශ්වාස කරනවා. තවත්, විරෝධික ප්රශ්නයක් සාමාන්ය විශ්වාස කරන්න පුළුවන් වෙනවා. පරීක්ෂණාවට, අපි DATNet වලින් වෙනස් අංශාවක් සහ භාෂාවක් වලට පරීක්ෂණය කරනවා ඒ වගේම විශේෂ ප්රවෘත්ති විශේෂ කරන්න පුළුවන් විශේෂ විAbstract
Predlagamo novo metodo nevronskega prenosa, imenovano Dual Adversarial Transfer Network (DATNet), za obravnavanje prepoznavanja imenovanih entitet z nizkimi viri. Natančneje, dve različici DATNet, tj. DATNet-F in DATNet-P, sta raziskani, da bi raziskali učinkovito fuzijo funkcij med visokimi in nizkimi viri. Za obravnavo hrupnih in neuravnoteženih podatkov o usposabljanju predlagamo nov splošni diskriminator z neželenimi viri (GRAD). Poleg tega je sprejeto kontradiktorsko usposabljanje za spodbujanje generalizacije modela. V eksperimentih preučujemo učinke različnih komponent DATNet na domene in jezike ter pokažemo, da je mogoče doseči znatne izboljšave zlasti za podatke z nizkimi viri, brez dodatnih ročno izdelanih funkcij in vnaprej usposobljenega jezikovnega modela.Abstract
Waxaynu soo jeedinnaa qaab cusub ah oo lagu magacaabay Entity Recognition (NER). Si gaar ah waxaa loo baaraandegay laba kala duwan oo DATNet, tusaale ahaan DATNet-F iyo DATNet-P, si ay u baaraandegaan fusion faa’iido ah oo ku saabsan maalmaha sare iyo hoose. Si aan looga hadlo macluumaadka waxbarashada codsiga iyo sinnaanta, waxaynu u soo jeedaynaa warqad la soo wareejiyay Resource-Adversarial Discriminator (GRAD). Sidoo kale waxbarashada cadaawayaasha ah waxaa loo qaadaa si uu u kordhiyo tusaale-generashada. Imtixaanka ayaannu ka baaraynaa saamaynta waxyaabaha kala duduwan ee DATNet ku yaala gudaha dalalka iyo afafka kala duwan, waxaana muujinnaa in horumarinta waxaa laga heli karaa macluumaad muhiim ah si gaar ah looga helo macluumaadka hoose-resourceyda, iyadoon ku kordhin tababaro dheeraad ah oo gacanta lagu qaban iyo model afka hore lagu tababaray.Abstract
Ne propozojmë një metodë të re transferimi nervor të quajtur Rrjeti i Transferimit të Dyfishtë kundërshtar (DATNet) për trajtimin e njohjes së njësisë me emër të burimit të ulët (NER). Veçanërisht, dy variante të DATNet, i.e., DATNet-F dhe DATNet-P, janë hetuar për të eksploruar fuzionin efektiv të karakteristikave midis burimeve të larta dhe të ulta. Për të trajtuar të dhënat e stërvitjes së zhurmshme dhe të paekuilibruara, propozojmë një diskriminator të ri të gjeneralizuar kundër burimeve (GRAD). Përveç kësaj, trajnimi kundërshtar miratohet për të rritur modelin e gjeneralizimit. Në eksperimente, ne shqyrtojmë efektet e komponenteve të ndryshme në DATNet nëpërmjet domeneve dhe gjuhëve dhe tregojmë se përmirësimi i rëndësishëm mund të arrihet veçanërisht për të dhënat me burime të ulëta, pa shtuar ndonjë karakteristikë shtesë me dorë dhe model in e gjuhës së paratrajnuar.Abstract
Predlažemo novu metodu neuralnog prenošenja zvanu Dualna Adversarial Transfer Network (DATNet) za rješavanje priznanja poduzeća imenovanih niskim resursima (NER). Posebno, dva varianta DATNet, tj. DATNet-F i DATNet-P, istražuju se kako bi istražili efikasnu fuziju funkcija između visokog i niskog resursa. Da bi se obratili bučnim i neravnoteženim podacima o obuci, predlažemo novi generalizovani diskriminator resursa i rekonstruacije (GRAD). Osim toga, neprijateljska obuka je usvojena kako bi se poboljšala generalizacija modela. U eksperimentima, pregledamo efekate različitih komponenta u DATNet preko domena i jezika i pokazujemo da se značajno poboljšavanje može dobiti posebno za podatke s niskim resursima, a da ne povećamo bilo kakve dodatne funkcije koje su napravljene rukama i predobučene jezičke modele.Abstract
Vi föreslår en ny neural överföringsmetod som kallas Dual Adversarial Transfer Network (DATNET) för hantering av lågresursnamngiven entitetsigenkänning (NER). Specifikt undersöktes två varianter av DATnet, dvs DATnet-F och DATnet-P, för att utforska effektiv funktionsfusion mellan hög och låg resurs. För att hantera bullriga och obalanserade träningsdata föreslår vi en ny Generalised Resource-Adversarial Discriminator (GRAD). Dessutom antas motpartsträning för att öka modellgeneraliseringen. I experiment undersöker vi effekterna av olika komponenter i DATNET över domäner och språk och visar att betydande förbättringar kan erhållas speciellt för lågresursdata, utan att utöka några ytterligare handgjorda funktioner och förkunskaps språkmodell.Abstract
Tunapendekeza mbinu mpya ya usafirishaji wa neura inayoitwa Mtandao wa Uhamiaji wa Dunia (DATNet) kwa ajili ya kuzungumzia utambulisho wa rasilimali chini unaoitwa Ujumbe (NER). Kwa hakika, mabadiliko mawili ya DATNet, yaani DATNet-F na DATNet-P, wanachunguzwa kutambua mgogoro wenye ufanisi kati ya rasilimali za juu na chini. To address the noisy and imbalanced training data, we propose a novel Generalized Resource-Adversarial Discriminator (GRAD). Zaidi ya hayo, mafunzo ya upinzani yamechukuliwa kwa ajili ya kukuza muundo wa uzalishaji. Katika majaribio, tunachunguza madhara ya vifaa tofauti katika DATNet kote katika maeneo na lugha na kuonyesha kwamba maendeleo muhimu yanaweza kupatikana hasa kwa takwimu za rasilimali za chini, bila kuongeza vipengele vinavyotumiwa na mikono na mfano wa lugha iliyoendelea.Abstract
@ info குறிப்பிட்டு, DATNet இரண்டு மாறிகள், அதாவது, DATNet- F மற்றும் DATNet- P, உயர் மற்றும் குறைந்த வளங்களுக்கிடையில் வெற்றியடையும் பண்புக்குறிப் ஒலி மற்றும் சமமான பயிற்சி தரவை முகவரிப்பதற்கு, நாம் ஒரு புத்தகத்தை பொதுவான மூலத்தின் வழக்கமான பாதையை பரிந்துரைக்கிறது. கூடுதலாக, எதிர்மறை பயிற்சி மாதிரி உருவாக்கத்தை உயர்த்துவதற்கு ஏற்படுத்தப்பட்டது. பரிசோதனைகளில், DATNet யில் உள்ள வேறு பொருள்களின் விளைவுகளை பரிசோதிக்கிறோம் மற்றும் உள்ளமைகள் மற்றும் மொழிகளுக்கும் மற்றும் குறைந்த மூலங்களுக்கு முக்கியமான மேம்Abstract
Biz täze bir näyral aktarma yöntemi Taýrat etmek üçin Taýik Ressurat Taýýarlamak üçin (DATNet) teklip edýäris Adatça, DATNet-F we DATNet-P üçin iki wariant, i ň.edýän DATNet-F we DATNet-P, ýokary we düşük resurslar arasynda etkinlik faýllary ahtarmak üçin barlanýar. Sesli we täsirli eğitim maglumatyny çözmek üçin, Generalized Resource-Adversarial Discriminator (GRAD) bir roman teklip etmek üçin. Mundan soňra, nusgalan okuwçylygy döredilik üçin ýokarmak üçin kabul edildi. Deneylerde, DATNet'iň dürli komponentleriniň eserlerini sahypalar we diller arasynda barlap we esasy täze resurslar üçin esasy gelişmeler berilýändigini görkez, elimizden gelen özellikler we öňünden eğlenen dil modelini baýlamadan.Abstract
ہم ایک نئورل ترنسفور طریقہ پیشنهاد کرتے ہیں جن کا نام دوئل اڈورساریل ترنسفور نیٹ ورک (DATNet) کم منبع نامی انٹیٹی شناسی (NER) کے لئے۔ مخصوصاً DATNet کے دو فرینٹ، یعنی DATNet-F اور DATNet-P کے، اچھے اور نیچے منبع کے درمیان اثر فائدہ فائدہ فائدہ فصل کا تحقیق کرنے کے لئے تحقیق کیا جاتا ہے. آواز اور غیر قابل تعلیم دیٹے کے بارے میں، ہم نے ایک نویس جنرالیز رسسور-اڈرساری دیسکریمنٹر (GRAD) کی پیشنهاد کرتا ہے۔ اور اضافہ، مخالف تعلیم مدل کی عمومی تعلیم کے لئے پکڑا جاتا ہے. آزمائش میں، ہم ڈومین اور زبانوں میں DATNet کے مختلف قسمتوں کے اثرات دیکھتے ہیں اور دکھاتے ہیں کہ بہترین سوداگری اثرات کم سوداگری ڈاٹے کے لئے، اور کسی اضافہ ہاتھ کے پیدا کئے ہوئے فرصت اور پیش تربین کی زبان مدل کے لئے اضافہ نہیں کر سکتے۔Abstract
Name Specifically, DATNet'ning ikki varianter, i.e. DATNet-F va DATNet-P, yuqori va kichik Resource орасидаги effektiv imkoniyatlarni qidirish uchun aniqlanadi. Tovush va balandlik taʼminlovchi maʼlumotni talab qilish uchun, biz Resource-Adversarial Discriminator (GRAD) yaratib olamiz. Qo'shimcha, foydalanuvchi taʼminlovchi modelni yaratish uchun ishlatiladi. Tajribalar davomida DATNetdagi boshqa komponentlarning effektlarini ko'rib chiqaramiz va maxsus resource maʼlumoti uchun juda ko'p qoʻshimcha qoʻllanmalar va oldingi taʼminlovchi tillar modelini oshirish mumkin.Abstract
Chúng tôi đề xuất một phương pháp truyền tải thần kinh mới gọi là mạng truyền tải nghịch lý kép (Mạng dữ liệu) để đối diện với tên nguồn ít tài nguyên (NER). Cụ thể, hai biến thể của Mạng dữ liệu, tức là, Mạng Tv và Mạng Tv, được đi ều tra để khám phá hiệu quả nhiệt hạch giữa nguồn cao và nguồn ít. Để giải quyết các dữ liệu dạy học ồn ào và thiếu cân bằng, chúng tôi đề xuất một chuyên gia giảm tội chống lại tài nguyên. Hơn nữa, huấn luyện đối thủ được áp dụng để tăng cường mô hình. Trong các thí nghiệm, chúng tôi xem xét tác động của các thành phần khác nhau trong Mạng dữ liệu trên mỗi miền và ngôn ngữ và cho thấy có khả năng cải thiện đáng kể đặc biệt cho dữ liệu ít tài nguyên, mà không tăng thêm tính chất thủ công và mô hình ngôn ngữ được rèn luyện.Abstract
一曰双抗移网络(DATNet)新型神经移法,以决低资源名实体识(NER)。 论DATNet二变体,DATNet-FDATNet-P,以原高下之效。 为解噪声衡数,新广义资鉴别器(GRAD)。 又抗训促泛化。 实验之中,省DATNet之异组件跨域言语之化,明可见之改,特于低资源数,而无加于手工之功,与预习之言。- Anthology ID:
- P19-1336
- Volume:
- Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics
- Month:
- July
- Year:
- 2019
- Address:
- Florence, Italy
- Venue:
- ACL
- SIG:
- Publisher:
- Association for Computational Linguistics
- Note:
- Pages:
- 3461–3471
- Language:
- URL:
- https://aclanthology.org/P19-1336
- DOI:
- 10.18653/v1/P19-1336
- Bibkey:
- Cite (ACL):
- Joey Tianyi Zhou, Hao Zhang, Di Jin, Hongyuan Zhu, Meng Fang, Rick Siow Mong Goh, and Kenneth Kwok. 2019. Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 3461–3471, Florence, Italy. Association for Computational Linguistics.
- Cite (Informal):
- Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition (Zhou et al., ACL 2019)
- Copy Citation:
- PDF:
- https://aclanthology.org/P19-1336.pdf
- Video:
- https://vimeo.com/384782139
- Data
- CoNLL 2002, CoNLL-2003
- Terminologies:
Export citation
@inproceedings{zhou-etal-2019-dual,
title = "Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition",
author = "Zhou, Joey Tianyi and
Zhang, Hao and
Jin, Di and
Zhu, Hongyuan and
Fang, Meng and
Goh, Rick Siow Mong and
Kwok, Kenneth",
booktitle = "Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics",
month = jul,
year = "2019",
address = "Florence, Italy",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/P19-1336",
doi = "10.18653/v1/P19-1336",
pages = "3461--3471",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="zhou-etal-2019-dual">
<titleInfo>
<title>Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition</title>
</titleInfo>
<name type="personal">
<namePart type="given">Joey</namePart>
<namePart type="given">Tianyi</namePart>
<namePart type="family">Zhou</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Hao</namePart>
<namePart type="family">Zhang</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Di</namePart>
<namePart type="family">Jin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Hongyuan</namePart>
<namePart type="family">Zhu</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Meng</namePart>
<namePart type="family">Fang</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Rick</namePart>
<namePart type="given">Siow</namePart>
<namePart type="given">Mong</namePart>
<namePart type="family">Goh</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Kenneth</namePart>
<namePart type="family">Kwok</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2019-07</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<relatedItem type="host">
<titleInfo>
<title>Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics</title>
</titleInfo>
<originInfo>
<publisher>Association for Computational Linguistics</publisher>
<place>
<placeTerm type="text">Florence, Italy</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<identifier type="citekey">zhou-etal-2019-dual</identifier>
<identifier type="doi">10.18653/v1/P19-1336</identifier>
<location>
<url>https://aclanthology.org/P19-1336</url>
</location>
<part>
<date>2019-07</date>
<extent unit="page">
<start>3461</start>
<end>3471</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings %T Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition %A Zhou, Joey Tianyi %A Zhang, Hao %A Jin, Di %A Zhu, Hongyuan %A Fang, Meng %A Goh, Rick Siow Mong %A Kwok, Kenneth %S Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics %D 2019 %8 July %I Association for Computational Linguistics %C Florence, Italy %F zhou-etal-2019-dual %R 10.18653/v1/P19-1336 %U https://aclanthology.org/P19-1336 %U https://doi.org/10.18653/v1/P19-1336 %P 3461-3471
Markdown (Informal)
[Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition](https://aclanthology.org/P19-1336) (Zhou et al., ACL 2019)
- Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition (Zhou et al., ACL 2019)
ACL
- Joey Tianyi Zhou, Hao Zhang, Di Jin, Hongyuan Zhu, Meng Fang, Rick Siow Mong Goh, and Kenneth Kwok. 2019. Dual Adversarial Neural Transfer for Low-Resource Named Entity Recognition. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 3461–3471, Florence, Italy. Association for Computational Linguistics.