Arquitectura neuronal de doble decodificador con ponderación de tareas basada en la incertidumbre para el...

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Procesamiento del Lenguaje Natural

Sus antecedentes:

• El Reconocimiento de Entidades Nombradas (NER) es crucial para estructurar datos de texto no estructurados.
• Los métodos NER existentes enfrentan desafíos con entidades largas y tramos fragmentados en dominios especializados como el moldeo por inyección.
• La extracción precisa de datos del proceso de moldeo por inyección es vital para el diagnóstico y optimización inteligentes de defectos.

Objetivo del estudio:

• Proponer una novedosa arquitectura neuronal de doble decodificador para mejorar el NER en el dominio del moldeo por inyección.
• Abordar los desafíos en el reconocimiento de entidades largas, tramos fragmentados y la integración de información a nivel de carácter con información a nivel de entidad.
• Mejorar la precisión y robustez de la extracción de información crítica (causas, defectos, soluciones) de textos de moldeo por inyección.

Principales métodos:

• Una arquitectura neuronal de doble decodificador que utiliza un modelo preentrenado compartido para incrustaciones contextuales.
• Decodificación paralela a través de un Campo Aleatorio Condicional (CRF) con restricciones de dominio y un Puntero Global (GP) dentro de un marco multitarea.
• Un mecanismo de ponderación de tareas dinámico consciente de la incertidumbre para equilibrar las contribuciones entre los decodificadores durante el entrenamiento.

Principales resultados:

• El método propuesto logró una puntuación F1 general del 86,09% en un corpus de moldeo por inyección autoconstruido.
• Demostró un rendimiento superior en comparación con los modelos NER avanzados existentes en el reconocimiento de entidades críticas.
• La validación en conjuntos de datos generales chinos confirmó la generalización del método para textos con características de entidades largas similares.

Conclusiones:

• La arquitectura de doble decodificador modela eficazmente las dependencias locales y la semántica de los límites globales para mejorar la precisión del NER.
• La ponderación dinámica de tareas basada en la incertidumbre mejora la sinergia inter-tareas y la robustez del modelo en tareas de reconocimiento complejas.
• El enfoque propuesto ofrece un avance significativo para el diagnóstico y optimización inteligentes de defectos en la industria del moldeo por inyección.