PulseAugur
中
实时 10:29:56
English(EN) Olfactory-Inspired Sparse Combinatorial Coding for Low-Resource Named Entity Recognition

受嗅觉启发的架构提升低资源NER性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的、受生物学启发的嗅觉架构，以提高低资源语言的命名实体识别（NER）性能。这种被称为受体-肾小球瓶颈的架构被集成在词嵌入和BiLSTM-CRF序列模型之间。当在没有预训练嵌入的情况下从头开始训练时，这种受嗅觉启发的方​​法通过在严重数据稀缺的情况下充当强大的正则化器，显著提高了F1分数，尤其是在孟加拉语和泰卢固语等语言中。 AI

影响 这项研究为提高低资源语言的性能提供了一种新颖的方法，有可能使人工智能更广泛地应用于服务不足的语言社区。

排序理由 学术论文，详细介绍了针对特定NLP任务的新型模型架构。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

受嗅觉启发的架构提升低资源NER性能

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Bhushan Deshpande ·

    受嗅觉启发的稀疏组合编码用于低资源命名实体识别

    Named Entity Recognition (NER) in low-resource languages suffers from limited supervision and a lack of high-quality pretrained embeddings. Biological olfaction, which relies on sparse combinatorial coding through receptor and glomerular organization, offers a compelling paradigm…

相关实体

相关话题