초록
신경망 기반 명명된 개체 인식(NER) 모델은 성능과 캘리브레이션을 저하시키는 과신(over-confidence) 문제에 쉽게 직면할 수 있습니다. 라벨 스무딩(label smoothing)에서 영감을 받고, NER 엔지니어링에서 경계 주석의 애매함으로 인해 우리는 스패너 기반 신경망 NER 모델을 위한 정규화 기법인 경계 스무딩(boundary smoothing)을 제안합니다. 이 기법은 주석된 스패너로부터 주변 스패너로 개체 확률을 재할당합니다. 간단하지만 강력한 베이스라인 위에 구축된 우리의 모델은 8개의 잘 알려진 NER 벤치마크에서 이전 최고 수준 시스템보다 우수하거나 유사한 결과를 달성하였습니다. 추가적인 경험적 분석은 경계 스무딩이 과신을 효과적으로 완화하고, 모델 캘리브레이션을 개선하며, 더 평평한 신경망 최소값과 더 부드러운 손실 지형(loss landscapes)을 가져온다는 것을 제시합니다.