Page 65 - My FlipBook
P. 65
Brochure 2020
我們在 2019 年有關知識獲取的另一項研究工作，是開發 我們提出了 H-FND，這是一種階層式的去噪框架（請參
一種在遠程監督下，達到排除錯誤樣本的方法。監督式 見圖二）。 H-FND 包含多個步驟，用以確定每一筆自動產
機器學習技術都需要一組訓練數據，但是標記訓練數據
在時間和金錢上都很昂貴。遠程監督是生成數據的一種 生的訓練樣本是否應保留、丟棄或修改成特定關係的陽
自動化作法。在遠程監督中，我們利用已有的知識庫以 性資料（Positive Sample）以提供更好的訓練資料。我們
字串比對的方式，對應到語料庫，藉以收集要提取關係 在 SemEval-2010 上進行了實驗，並設定多種不同的偽陰
的上下文資訊。該過程會導致為數不少的偽訓練數據， 性資料比率。我們的結果表明，即使在高達 50％的偽陰
特別是偽陰性資料（False Negative Sample）。若用於訓 性資料之下，H-FND 也有能力進行大部分的修復工作，
練，會大幅降低最終模型的性能。為了克服這個問題， 保持穩定的 F1 分數。
圖二： H-FND 的整體架構。
63
我們在 2019 年有關知識獲取的另一項研究工作，是開發 我們提出了 H-FND，這是一種階層式的去噪框架（請參
一種在遠程監督下，達到排除錯誤樣本的方法。監督式 見圖二）。 H-FND 包含多個步驟，用以確定每一筆自動產
機器學習技術都需要一組訓練數據，但是標記訓練數據
在時間和金錢上都很昂貴。遠程監督是生成數據的一種 生的訓練樣本是否應保留、丟棄或修改成特定關係的陽
自動化作法。在遠程監督中，我們利用已有的知識庫以 性資料（Positive Sample）以提供更好的訓練資料。我們
字串比對的方式，對應到語料庫，藉以收集要提取關係 在 SemEval-2010 上進行了實驗，並設定多種不同的偽陰
的上下文資訊。該過程會導致為數不少的偽訓練數據， 性資料比率。我們的結果表明，即使在高達 50％的偽陰
特別是偽陰性資料（False Negative Sample）。若用於訓 性資料之下，H-FND 也有能力進行大部分的修復工作，
練，會大幅降低最終模型的性能。為了克服這個問題， 保持穩定的 F1 分數。
圖二： H-FND 的整體架構。
63
