PulseAugur
中
实时 08:15:16
English(EN) Dice Loss for Data-imbalanced NLP Tasks

提出Dice Loss用于数据不平衡NLP任务

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇研究论文提出，在遭受严重数据不平衡的自然语言处理任务中，可以使用Dice loss替代标准的交叉熵。该方法基于Sorensen-Dice系数或Tversky指数，旨在平衡假阳性和假阴性的重要性，使其对不平衡数据集更具鲁棒性。该论文还介绍了一种动态加权训练样本的方法，以减少易负例的影响，并在词性标注和命名实体识别等各种NLP任务上显示出改进的性能。 AI

影响 这项研究为提高具有不平衡数据集的NLP任务的模型性能提供了一种新颖的方法，有望在命名实体识别等领域带来更准确的系统。

排序理由 该项目是一篇关于NLP任务新方法的学术论文。[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 →

提出Dice Loss用于数据不平衡NLP任务

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Xiaoya Li, Xiaofei Sun, Yuxian Meng, Guoyin Wang, Junjun Liang, Fei Wu, Jiwei Li ·

    用于数据不平衡NLP任务的Dice Loss

    arXiv:1911.02855v4 Announce Type: replace Abstract: Many NLP tasks such as tagging and machine reading comprehension are faced with the severe data imbalance issue: negative examples significantly outnumber positive examples, and the huge number of background examples (or easy-ne…

相关实体

相关话题