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
