graphical playground123

main.tex

abschnitt1.tex

abschnitt2.tex

main.tex

abschnitt1.tex

abschnitt2.tex

header.tex

root

Dokumente

Bilder

Downloads

...

LaTeX-Tut

Studium

...

test1.tex

test2.tex

root

Dokumente

Bilder

Downloads

...

LaTeX-Tut

Studium

...

test1.tex

test2.tex

test2.tex

oder

./test2.tex bzw. .\test2.tex

root

Dokumente

Bilder

Downloads

...

LaTeX-Tut

Studium

...

main.tex

test2.tex

./Abschnitte/test2.tex

oder

Abschnitte/test2.tex

Abschnitte

root

Dokumente

Bilder

Downloads

...

LaTeX-Tut

test1.tex

test2.tex

../test2.tex

oder

..\test2.tex

root

Dokumente

Bilder

Downloads

...

LaTeX-Tut

Studium

...

test1.tex

test2.tex

Linux/Mac:

root/Dokumente/LaTeX-Tut/test1.tex

Windows:

root\Dokumente\LaTeX-Tut\test1.tex

🥓

ham

 

👹

spam

📨

Text 

Classifier
Defense

🤺🛡️

spam filter

 

Attack

👹🤺

spammer

🎲

 

strategic

interaction

📮

👩🏾 human 🧔🏻

📄

text
2 different readers / parsers
🤖 machine 🖥️
👩🏾 human 🧔🏻

📄

text

 

2 different readers / parsers
🤖 machine 🖥️
Subj: favorites Opera

options building authors users. onestop posters hourly updating genre style hip hop christian dance heavy bass drums gospel wedding arabic soundtrack world Policy Map enterprise emulator Kevin Childrens Cinescope. Manager PSPreg Noise Reduction Training Theme Effects Technical know leaked aol searches happened while ago. Besides being completely hilarious they made people September June March February Meta Login RSS Valid XHTML XFN WP Blogroll proudly RSSand RSS, LoveSoft Love Soft food flowers Weeks Feature Casual Elegance Coachman California Home

🥓🏺

good words

🏺👹

spam words

📄

t

👹

t

🛡️

spam family A

classifier A'

B

C

D

E

F

E

t

👹

t

🛡️

spam family A

classifier A'

B

C

D

E

F

G

B'

C'

D'

E'

F'

G'

👹

t

👹

spam family A

B

C

D

E

F

G

🔍

Search

Thomann|

1927 führte Fritz Lang Regie beim Science-Fiction-Film Metro-polis. Die Hauptrollen übernahmen Brigitte Helm und Gustav Fröh-lich. Der Film, einer der teuersten seiner Zeit, spielt in einer futuristischen Groß-stadt, deren Einwohner
Relation
Extraction
Named Entity Recognition
Relation
Extraction
Named Entity Recognition
1927 führte Fritz Lang Regie beim frühen Science-Fiction-Film Metropolis.
Fritz
Lang
Metro-
polis
Metro-
polis
Fritz
Lang
Regisseur

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
Weniger Handarbeit! weniger Festlegung

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

x externe Wissensbasis
x nicht kanonisierte Ausgabe

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
- Annotieren der Trainingsdaten
- Entwerfen der Heuristiken

- externe Wissensbasis
- nichtkanonisierte Ausgabe

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
- Annotieren der Trainingsdaten
- Entwerfen der Heuristiken

- externe Wissensbasis
- nichtkanonisierte Ausgabe

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
- Annotieren der Trainingsdaten
- Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

- Annotieren der Trainingsdaten
- Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
- Annotieren der Trainingsdaten
- Entwerfen der Heuristiken

- externe Wissensbasis
- nichtkanonisierte Ausgabe

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
- Annotieren der Trainingsdaten
- Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

- Annotieren der Trainingsdaten
- Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

x externe Wissensbasis
x ungeschliffene Ausgabe

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

x externe Wissensbasis
PropS-De
GerIE

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

x externe Wissensbasis
PropS-De
GerIE

👁️

Supervised Machine Learning
Regeln

✍️

🔭👁️

Distant
Supervision
 

🙈

Unsupervised
Machine Learning
x Annotieren der Trainingsdaten
x Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

 Annotieren der Trainingsdaten
Entwerfen der Heuristiken

👁️

Supervised Machine Learning
Regeln

✍️

🏹

🥾⛰️🎯⛳🚩

🎯

🏔️

Milestone 1

🥾

🏔️

Milestone 1

🏔️

Milestone 1

🏔️

Milestone 1

🏔️

Milestone 1

🎯

🥾

🏔️

 
Mai
Einleitung schreiben, Datensätze vorbereiten

🏔️

 
Juni
Einleitung schreiben, Datensätze vorbereiten

🏔️

 
Juli
Einleitung schreiben, Datensätze vorbereiten

🏔️

 
Juni
Einleitung schreiben, Datensätze vorbereiten

🏹 Locksley

📚🔬🧬

Text

f_\phi
R = \{r_1, r_2, \dots, r_t\}

Menge aller ausgewählten Relationstypen

R_{train}
R_{val}
R_{test}

Trainingsdaten

Validierungsdaten

Testdaten

R_{train}
E \subset R_{train}

ausgewählte Klassen

e_1
S_1
Q_1
s^1_1
s^K_1
q^1_1
q^P_1
\dots
\dots
e_N
|E| = N
\dots

support set $$S_1$$

query set

R_{train}
E \subset R_{train}

ausgewählte Klassen \(E \subset R_{train}\)

e_1
S_1
Q_1
s^1_1
s^K_1
q^1_1
q^P_1
\dots
\dots
e_N
|E| = N
\dots

support set $$S_1$$

query set

R_{train}

\(N\) ausgewählte Relationstypen

\(E \subset R_{train}\)

e_1
\dots
e_N

support set \(S_1\)

\(K\) Sätze

query set \(Q_1\)

\(L\) Sätze

$$s^1_1$$

\(\dots\)

$$s^K_1$$

$$q^1_1$$

\(\dots\)

$$q^L_1$$

$$s^1_N$$

\(\dots\)

$$s^K_N$$

$$q^1_N$$

$$q^L_N$$

query set \(Q_N\)

\(L\) Sätze

support set \(S_N\)

\(K\) Sätze

S_1
q

Zu welchem Relationstyp

gehört Query-Instanz \(q\)?

S_N
\dots
e_1
e_N

$$s^1_1$$

\(\dots\)

$$s^K_1$$

$$s^1_N$$

\(\dots\)

$$s^K_N$$

e_1
S_1
q

Zu welchem Relationstyp

gehört Query-Instanz \(q\)?

S_N
\dots
e_1
e_N

$$s^1_1$$

\(\dots\)

$$s^K_1$$

$$s^1_N$$

\(\dots\)

$$s^K_N$$

Embeddingfunktion

\(f_\phi\)

S_1

$$s^1_1$$

\(\dots\)

$$s^K_1$$

S_N

$$s^1_N$$

\(\dots\)

$$s^K_N$$

\dots

Embeddingfunktion

\(f_\phi\)

S_1

$$s^1_1$$

\(\dots\)

$$s^K_1$$

S_N

$$s^1_N$$

\(\dots\)

$$s^K_N$$

\dots

$$p_1$$

$$p_N$$

p_i = \frac{1}{|S_i|}\sum_{s^j_i \in S_i}f_\phi(s^j_i)

Embeddingfunktion

\(f_\phi\)

S_1

$$s^1_1$$

\(\dots\)

$$s^K_1$$

S_N

$$s^1_N$$

\(\dots\)

$$s^K_N$$

\dots

$$p_1$$

$$p_N$$

p_i = \frac{1}{|S_i|}\sum_{s^j_i \in S_i}f_\phi(s^j_i)

Embeddingfunktion

\(f_\phi\)

S_1

$$s^1_1$$

\(\dots\)

$$s^K_1$$

S_N

$$s^1_N$$

\(\dots\)

$$s^K_N$$

\dots

$$p_1$$

$$p_N$$

Embeddingfunktion

\(f_\phi\)

$$p_1$$

$$p_N$$

$$f_\phi(q)$$

q
d(p_i, q) = ||p_i-f_\phi(q)||

Distanzfunktion \(d\)

Embeddingfunktion

\(f_\phi\)

$$p_1$$

$$p_N$$

$$f_\phi(q)$$

q

Marlene

Dietrich

wurde

1910

in

Schöneberg

geboren

.

+
+

Convolutional

Neural

Network

position embedding

Subjekt

position embedding

Objekt

word embedding

Satz-

repräsentation

Marlene

Dietrich

wurde

1910

in

Schöneberg

geboren

.

Satz-

repräsentation

[CLS]

[SEP]

[E1_START]

[E1_END]

[E2_START]

[E2_END]

BERT

Bidirectional

Transformer Encoder

🏔️

 
Juni

🏔️

 
Juni

🏔️

 
Juni

🏔️

 
Juni

🏔️

 
Juni

🏔️

 
Juni

🤗

🥾

Korpora
Methoden
Schreiben
Korpora
Methoden
Schreiben
Auswählen
Annotieren
Annotieren
Überblick
Konzept
Implemen-tieren
Implemen-tieren
Implemen-tieren
Evaluation
Einleitung
Grundlagen
GrundlagenKonzept
Konzept
Implemen-tierung
Implemen-tierung
Evaluation
5
6
7
5
5
6
6
8
8
7
7
9
9
10
10
11. Mai
11. November

dog

cat

bear

1 training example per class

test example

?
?

Source

Target

few-shot setting

?

Source

Target

few-shot setting:

fine-tuning

on few task- and domain-specific

labeled instances

general-purpose pre-training

of a

language model

Source

Target

few-shot setting

same dataset

same domain

same type of task

but different task details

e. g. classification label space

Source

Target

few-shot setting

same (type of) task

different domain

Source

Target

few-shot setting

same (type of) task

different language

Source

Target

few-shot setting

same task

different language pair

Source

Target

zero-shot or few-shot setting:

Portuguese-Spanish

Portuguese-English

English-Spanish

playground123

By acid_ann

playground123

  • 104