التعرف على الكيانات المسماة عبر التعلم الميتا في إعدادات التعلم القليل

لقد تم دراسة التعلم القليل في إطار إعدادات N -way K -shot (أي، K عينات مشروحة لكل من N فئات) على نطاق واسع في استخراج العلاقات (مثل FewRel) وتصنيف الصور (مثل Mini-ImageNet). يتم عادةً تأطير التعرف على الكيانات المسماة (NER) كمشكلة تصنيف تسلسل حيث تكون فئات الكيانات متشابكة بطبيعتها معًا لأن عدد الكيانات والفئات في جملة معينة غير معروف مسبقًا، مما يجعل مشكلة N -way K -shot NER غير مستكشفة حتى الآن. في هذه الورقة، نقوم أولاً بتعريف إعدادات N -way K -shot بشكل رسمي أكثر ملاءمة لـ NER. ثم نقترح FewNER، وهو نهج جديد للتعلم الميتا لأجل NER قليل العدد. تفصل FewNER الشبكة بأكملها إلى جزء مستقل عن المهمة وجزء محدد المهمة. خلال التدريب في FewNER، يتم التعلم الميتا للجزء المستقل عن المهمة عبر مهام متعددة، ويتم تعلم الجزء المحدد للمهمة لكل مهمة فردية في فضاء منخفض الأبعاد. في وقت الاختبار، تحافظ FewNER على الجزء المستقل عن المهمة ثابتًا وتتكيف مع مهمة جديدة عبر الانحدار التدرجي عن طريق تحديث الجزء المحدد للمهمة فقط، مما يجعلها أقل عرضة للإفراط في التناسب وأكثر كفاءة حسابية. بالمقارنة مع نماذج اللغة المدربة مسبقًا (مثل BERT و ELMo) التي تحقق القدرة على النقل بطريقة غير مباشرة (أي، الاعتماد على مجموعات بيانات كبيرة النطاق)، تعمل FewNER على تحسين قدرة "التعلم للتكيف بسرعة" من خلال التعلم الميتا بشكل صريح. تظهر النتائج أن FewNER تحقق أداءً من الطراز الأول مقارنة بتسعة طرق أساسية بفجوات كبيرة في ثلاث تجارب تكييف (أي، عبر نوع داخل النطاق، عبر نطاق داخلي نوع وعبر نطاق عبر نوع).