抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
エンティティマッチング(EM)は,同じ実世界エンティティを参照するデータ記録を同定する。EMにおける性能を改善するための過去数年の努力にもかかわらず,既存の方法は訓練フェーズ中に各ドメインで大量のラベル付きデータを必要とする。これらの方法は,各ドメインを個々に処理し,EMにおける各データセットに対する特定の信号を捕捉し,これはただ一つのデータセットに過剰適合をもたらす。1つのデータセットから学習される知識は,より少ないラベル付きサンプルで,非意味データセットに関する予測を行うために,EMタスクをより良く理解するために利用されていない。本論文では,複数のソースドメインからターゲットドメインへタスク知識を転送する新しいドメイン適応ベース手法を提案した。著者らの方法は,目的が複数のソースドメインを用いて著者らのモデルを予訓練することからタスク特有の知識を捉えることであるEMのための新しい設定を提示し,次に,目標領域に関する著者らのモデルをテストする。ターゲットドメイン上のゼロショット学習事例を研究し,この方法がEMタスクを学習し,ターゲットドメインに知識を転送することを実証した。多重ドメインからのターゲットデータセットに関する著者らのモデルを微調整し,本モデルがEMにおける最先端の方法よりも良く一般化することを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】