Un enfoque conjunto de predicción de tramos y entidades con metaaprendizaje generativo y translingüístico para NER...

Área de la Ciencia:

• Procesamiento del Lenguaje Natural
• Aprendizaje Automático
• Lingüística Computacional

Sus antecedentes:

• El reconocimiento de entidades nombradas (NER) japonés de bajos recursos y pocas muestras enfrenta desafíos debido a anotaciones limitadas y problemas de alineación translingüística.
• Los métodos existentes luchan con la ambigüedad de los límites y la escasez de datos, lo que dificulta el rendimiento en dominios especializados.

Objetivo del estudio:

• Desarrollar un marco de metaaprendizaje dinámico jerárquico (MAML-ProtoNet++) para NER japonés de bajos recursos y pocas muestras.
• Mejorar la precisión y robustez del reconocimiento de entidades integrando aumento generativo, preentrenamiento translingüístico y predicción conjunta de tramos y entidades.

Principales métodos:

• Se utilizó el marco MAML-ProtoNet++ con aumento generativo (muestras pseudo mT5) y cribado de confianza.
• Se empleó preentrenamiento contrastivo translingüístico (NT-Xent) para alinear pares de entidades japonés-inglés de WikiData.
• Se integró la adaptación rápida estilo MAML con la coincidencia de prototipos estilo ProtoNet, utilizando codificación multiescala y un módulo conjunto de tramos y tipos.

Principales resultados:

• Se logró una puntuación Macro-F1 de 0.772 en el entorno de NER japonés de pocas muestras y 5 muestras.
• Mejora de la similitud coseno de pares de entidades japonés-inglés de 0.61 a 0.85 mediante preentrenamiento translingüístico.
• Se demostró robustez con puntuaciones F1 superiores a 0.73 en tareas de alta complejidad utilizando control dinámico de parámetros.

Conclusiones:

• MAML-ProtoNet++ aborda eficazmente las limitaciones en NER japonés de bajos recursos y pocas muestras.
• El marco muestra una fuerte transferibilidad y robustez, superando a los métodos anteriores.
• El enfoque integrado mejora significativamente las capacidades de reconocimiento de entidades nombradas en escenarios con pocos datos.