Few-Shot Named Entity Recognition における分解型メタラーニング

少量サンプルにおける固有表現抽出（Few-shot Named Entity Recognition, NER）システムは、少数のラベル付き例に基づいて新規クラスの固有表現を認識することを目的としている。本論文では、メタ学習を用いて、少量サンプルにおけるスパン検出と少量サンプルにおけるエンティティ型分類の2段階に分けて処理を行う分解型メタ学習アプローチを提案する。具体的には、少量サンプルスパン検出をシーケンスラベル付け問題として定式化し、モデルに依存しないメタ学習（Model-Agnostic Meta-Learning, MAML）アルゴリズムを導入することで、新しいエンティティクラスに迅速に適応可能な良好な初期化パラメータを学習する。また、少量サンプルエンティティ型分類に対して、MAMLを強化したプロトタイプネットワーク（MAML-ProtoNet）を提案し、異なるエンティティクラスのテキストスパン表現をより明確に区別できる埋め込み空間を探索する。複数のベンチマークにおける広範な実験の結果、本手法は従来の手法を上回る優れた性能を達成した。