论文阅读《Exploring Task Difficult for Few-Shot Relation Extraction》

墨蓝 2022-09-13 04:30 184阅读 0赞

# 前言 #

*  推荐指数：★★☆☆☆
 *  文章来源：CSDN@LawsonAbs

--------------------

在详细分析这篇文章之前，先谈谈四个基本问题。

# 1. 四个问题 #

### 1.1 出于什么动机？ ###

在处理 `hard FSRE task` (之前的工作中的 `relation` 是细粒度的，且彼此相似。)时，表现不佳。【是否给出了证明？且看后文。】

### 1.2 提出了什么方法？ ###

最近对比学习有点儿火，所以作者提出了用对比学习的方法，通过利用关系标签信息，从而学到更好的表示。同时进一步设计出一个模型用于自适应的关注难任务。

### 1.3 使用的什么数据集？ ###

### 1.4 效果如何？ ###

# 2. 简介 #

尽管大规模的监督学习可以在test上得到很好的效果，但是对于在training process 中没有出现过的relations，则难以处理了。所以让模型能够使用少量的标记数据就去识别新的关系就是一个有趣的事情~  
作者给出了一个示例：  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATGF3c29uQWJz_size_20_color_FFFFFF_t_70_g_se_x_16]  
`hard task` 之所以是 `hard` ，是因为其 `subtle differences among the relations`，也就是前文说的 `fine-grained and similar to each other`

对于 few-shot 样本的学习的流行框架是`meta-learning`，这个`meta-learning` 的做法是：`optimizes the model through collections of few-shot tasks sampled from the external data containing disjoint relations wit novel relations.`

这篇文章很难打动我，处理 `hard example` 真就这么重要？

目前的工作在 hard tasks 上很难，作者分析是如下两点：

*  focus on general tasks to learn generalized representaions, and ignore modeling subtle and local differences of relations effectively.
 *  current meta-learning methods treat training tasks equally, which are randomly sampled and have different degrees of difficulty.

提出的方法是：  
`this paper proposes a Hybrid Contrastive Relation-Prototype (HCRP) approach, which focuses on improving the performance on hard FSRE tasks.`

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATGF3c29uQWJz_size_20_color_FFFFFF_t_70_g_se_x_16 1]

# 3. 问题 #

## 3.1 什么是`meta-learning`? ##

## 3.2 什么是 `prototype`? ##

## 3.3 什么是 `Support set`? 什么是 `Query set`？ ##

# 4. 总结 #

本篇工作结合 `meta-learning` \+ `contrasive learning` 来做一个分析，其中涉及到很多专有名词，像什么 `prototype` 等？什么意思？不理解。  
没读懂，总体的感觉不值得阅读。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATGF3c29uQWJz_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/a3527db1022841d38aea47c406697892.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATGF3c29uQWJz_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/5dc149b533db44ae97e0f96ce552b060.png