소수 샘플 명명된 엔티티 인식을 위한 분해형 메타학습

소수 샘플 명명된 실체 인식(NER) 시스템은 극히 적은 수의 레이블링된 예시를 기반으로 새로운 클래스의 명명된 실체를 인식하는 것을 목표로 한다. 본 논문에서는 메타학습을 활용하여 소수 샘플 스팬 탐지와 소수 샘플 실체 유형 분류를 순차적으로 해결함으로써 소수 샘플 NER 문제를 해결하는 분해형 메타학습 접근법을 제안한다. 특히, 소수 샘플 스팬 탐지는 시퀀스 레이블링 문제로 간주하고, 모델에 의존하지 않는 메타학습(MAML) 알고리즘을 도입하여 새로운 실체 클래스에 빠르게 적응할 수 있는 우수한 모델 초기화 파라미터를 찾는다. 소수 샘플 실체 유형 분류를 위해 MAML-ProtoNet, 즉 MAML 기반의 프로토타입 네트워크를 제안하여 서로 다른 실체 클래스의 텍스트 스팬 표현을 더 잘 구분할 수 있는 우수한 임베딩 공간을 탐색한다. 다양한 벤치마크에서 수행된 광범위한 실험 결과, 제안하는 방법이 기존 방법들에 비해 우수한 성능을 달성함을 입증하였다.