Chem-FINESE: Validating Fine-Grained Few-shot Entity Extraction through Text Reconstruction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出Chem-FINESE，一种基于seq2seq的少样本实体抽取方法，通过自验证模块重构输入句子并引入对比损失减少过度复制，在ChemNER+和CHEMET数据集上分别获得8.26%和6.84%的F1提升。
2024-05-29 cs.AI cs.CL cs.LG
Hyperbolic Disentangled Representation for Fine-Grained Aspect Extraction
Academia Sinica（中央研究院）
从用户评论中自动识别突出方面对于意见分析特别有用。在利用弱监督方法方面取得了重大进展，这种方法只需要一小部分种子词来训练方面分类器。然而，总有改进的余地。首先，没有弱监督方法充分利用单词之间的潜在层次结构。第二，每个种子词表示应该具有不同的潜在语义，并且当它表示不同的方面时应该是不同的。在本文中，我们提出了HDAE，双曲线解纠缠方面提取器，其中双曲线方面分类器捕获单词的潜在层次结构，和方面解纠缠表示模型的不同潜在语义的每个种子词。与之前的基线相比，HDAE在亚马逊产品评论和餐厅评论数据集上分别实现了18.2%和24.1%的平均F1性能提升。此外，嵌入式可视化体验表明HDAE是利用种子词的更有效方法。一项消融研究和一项病例研究进一步证明了所提出的组件的有效性
2021-12-16 cs.AI cs.CL
Fine-Grained Temporal Relation Extraction
University of Rochester（罗切斯特大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
我们提出了一个新的语义框架建模的时间关系和事件持续时间，映射对事件的实值尺度。我们使用这个框架来构建迄今为止最大的时态关系数据集，涵盖了整个通用的英语网络树库。我们使用这个数据集来训练模型，以联合预测细粒度的时间关系和事件持续时间。我们报告了我们的数据的强有力的结果，并显示了转移学习方法预测分类关系的有效性。
2019-06-03 cs.CL
A German Corpus for Fine-Grained Named Entity Recognition and Relation Extraction of Traffic and Industry Events
DFKI GmbH（德国人工智能研究中心）
在个人旅行计划和供应链管理等领域，监控移动性和行业相关事件非常重要，但从异构的大容量文本流中提取与特定公司、运输路线和位置相关的事件仍然是一个重大挑战。这项工作描述了一个语料库的德语文档已被注释细粒度的地理实体，如街道，车站和路线，以及标准的命名实体类型。它还被注释了一组15个与交通和行业相关的n元关系和事件，如事故、交通堵塞、收购和罢工。该语料库包括新闻专线文本、Twitter消息以及来自广播电台、警察局和铁路公司的交通报告。它允许训练和评估两个命名实体识别算法，旨在细粒度的地理实体，以及n元关系抽取系统。
2020-04-07 cs.CL
Utilizing coarse-grained data in low-data settings for event extraction
Graduate School of Sciences and Engineering（理工学研究生院）
为事件信息抽取系统注释文本数据是困难的、昂贵的并且容易出错。我们研究了集成粗粒度数据（文档或句子标签）的可行性，这是更可行的获得，而不是注释更多的文档。我们利用一个多任务模型与两个辅助任务，文档和句子的二进制分类，除了令牌分类的主要任务。我们进行了一系列的实验，不同的数据制度，上述整合。结果表明，虽然引入额外的粗粒度数据提供了更大的改进和鲁棒性，增益仍然是可能的，只有增加的负面文件，没有任何事件的信息。
2022-05-11 cs.CL cs.LG
AutoSpecNER: A Fine-Grained Named Entity Recognition Dataset for Vehicle Specification Extraction
Department of Computing and Mathematics, Manchester Metropolitan University（曼彻斯特城市大学计算与数学系）；Autotrader Research Group, Autotrader UK（英国Autotrader研究组）
提出AutoSpecNER数据集，包含659条汽车广告和15类超过1万个实体，基于DeBERTa的模型达到90%微平均F1分数，优于规则方法和大型语言模型。
2026-11-03 cs.CL
Fine-grained Contrastive Learning for Relation Extraction
University of California, San Diego（加州大学圣地亚哥分校）
最近的关系抽取（RE）的工作已经显示出令人鼓舞的改善，进行对比学习的银标签产生的远程监督，然后微调的黄金标签。现有的方法通常假设所有这些银标签都是准确的，并平等对待它们;然而，远程监督不可避免地会产生噪音-一些银标签比其他标签更可靠。在本文中，我们提出了细粒度的对比学习（FineCL）RE，它利用细粒度的信息，银标签是和没有噪音，以提高学习的关系表示RE的质量。我们首先通过一种简单而自动的方法来评估银标签的质量，我们称之为“学习顺序去噪”，在这种方法中，我们训练一个语言模型来学习这些关系，并记录学习到的训练实例的顺序。我们发现，学习顺序在很大程度上对应于标签的准确性--平均而言，早期学习的银标签比后来学习的银标签更准确。然后，在预训练期间，我们在新的对比学习目标中增加准确标签的权重。在几个RE基准测试上的实验表明，FineCL与最先进的方法相比具有一致和显着的性能增益。
2022-10-20 cs.CL
RE-Matching: A Fine-Grained Semantic Matching Method for Zero-Shot Relation Extraction
Fudan University（复旦大学）；Baidu Research（百度研究院）
针对零样本关系抽取中通用语义匹配未显式区分实体与上下文的问题，提出 RE-Matching，分解两类匹配分数并用特征蒸馏抑制无关特征，显著提升 F1 且推理提速 10 倍。
2023-06-08 cs.CL
Motion Generation from Fine-grained Textual Descriptions
Peking University（北京大学）；The University of Tokyo（东京大学）
针对现有text2motion局限于粗粒度描述的问题，构建了细粒度数据集FineHumanML3D并提出模型FineMotionDiffuse，通过学习细粒度描述到动作基元的映射，显著提升了动作生成质量与复合动作生成能力。
2024-03-26 cs.AI cs.CL cs.CV
GSAP-ERE: Fine-Grained Scholarly Entity and Relation Extraction Focused on Machine Learning
针对机器学习相关研究的细粒度信息抽取需求，本文提出人工构建的GSAP-ERE数据集（含10种实体、18种关系类型），验证其在下游任务的有效性，并通过实验显示微调模型在该数据集上的抽取性能远超LLM提示方法。
2025-11-12 cs.CL
Weakly-Supervised Temporal Action Detection for Fine-Grained Videos with Hierarchical Atomic Actions
University of California, Berkeley（加州大学伯克利分校）；Tencent America（美国腾讯公司）；Pennsylvania State University（宾夕法尼亚州立大学）
动作理解已经发展到细粒度的时代，因为现实生活中大多数人类行为只有微小的差异。为了以标签有效的方式准确地检测这些细粒度动作，我们首次解决了视频中弱监督细粒度时间动作检测的问题。如果没有仔细的设计来捕捉细粒度动作之间的细微差异，以前用于一般动作检测的弱监督模型在细粒度设置中不能很好地执行。我们建议将动作建模为通过自监督聚类从数据中自动发现的可重用原子动作的组合，以捕获细粒度动作的共性和个性。由视觉概念表示的学习的原子动作被进一步映射到利用语义标签层次结构的精细和粗略动作标签。我们的方法构建了一个可视化的表示层次结构的四个级别：剪辑级，原子动作级，精细动作类级和粗糙的动作类级，在每个级别的监督。在两个大规模细粒度视频数据集FineAction和FineGym上进行的大量实验表明，我们提出的弱监督模型在细粒度动作检测方面具有优势，并取得了最先进的结果。
2022-07-24 cs.AI cs.CV
Cascaded Models for Better Fine-Grained Named Entity Recognition
IBM Research AI（IBM研究院人工智能）
命名实体识别（Named Entity Recognition，NER）是许多自然语言应用（如关系抽取或事件抽取）的基础任务。大部分NER研究都是在具有少数实体类型的数据集上进行的（例如PER，ESTA，ORG，MISC），但许多现实世界的应用（灾难救援，复杂事件提取，执法）可以从更大的NER类型中受益。最近，创建了具有数百到数千种类型的实体的数据集，从而引发了新的研究方向（Sekine，2008;Ling和Weld，2012; Gillick等人，2014; Choiet al.，2018年）。在本文中，我们提出了一种标记细粒度NER的级联方法，适用于TAC KBP 2019评估中使用的新发布的细粒度NER数据集（Ji等人，2019），其灵感来自于训练数据可用于一些粗略标签的事实。使用组合的Transformer网络，我们表明，性能可以提高约20 F1的绝对值，与直接的模型建立在完整的细粒度类型相比，并显示，令人惊讶的是，使用课程标记的数据在三种语言导致英语数据的改善。
2020-09-15 cs.CL
FABLE: Fine-grained Fact Anchoring for Unstructured Model Editing
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络与信息安全学院）
FABLE通过分层框架实现细粒度事实注入与整体文本生成的解耦，采用事实优先策略提升细粒度问答性能，同时保持整体编辑能力。
2026-04-14 cs.CL
Improving Fine-grained Entity Typing with Entity Linking
HKUST（香港科技大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）
细粒度的实体类型是一个具有挑战性的问题，因为它通常涉及相对较大的标记集，并且可能需要理解实体提及的上下文。在本文中，我们使用实体链接来帮助细粒度的实体类型分类过程。我们提出了一个深度神经模型，它根据上下文和从实体链接结果中获得的信息进行预测。在两个常用数据集上的实验结果证明了该方法的有效性。在这两个数据集上，它实现了超过5%的绝对严格精度提高。
2019-09-26 cs.CL
FineCIR: Explicit Parsing of Fine-Grained Modification Semantics for Composed Image Retrieval
School of Software, Shandong University（山东大学软件学院）；School of Data Science, City University of Hong Kong（香港城市大学数据科学学院）；School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院）
针对现有CIR数据集粗粒度文本导致检索不精确的问题，提出FineCIR框架，通过显式解析修改文本并构建细粒度数据集，显著提升检索精度。
2025-03-27 cs.AI cs.CV
A Large-Scale Car Dataset for Fine-Grained Categorization and Verification
The Chinese University of Hong Kong（香港中文大学）
更新于24/09/2015：此更新提供了对CompCars的监督数据进行细粒度分类的初步实验结果。更新的数据集中提供了训练/测试拆分。详见第6节。
2015-09-24 cs.AI cs.CV
Transformer-based Methods for Recognizing Ultra Fine-grained Entities (RUFES)
University of La Rochelle（拉罗谢尔大学）
本文总结了拉罗谢尔大学信息、图像与交互实验室（L3i实验室）在文本分析会议（TAC）系列评估研讨会中识别超细粒度实体（RUFES）的参与情况。我们的参与依赖于两个基于神经元的模型，一个基于预训练和微调的语言模型，其中包含一堆用于细粒度实体提取的Transformer层，另一个是用于文档内实体共指的开箱即用模型。我们观察到，我们的方法在提高细粒度实体识别的性能方面具有很大的潜力。因此，未来的工作设想是在额外的实验和对结果进行更深入的分析之后提高模型的能力。
2021-04-13 cs.CL cs.IR
FG-CLIP: Fine-Grained Visual and Textual Alignment
AI Research（360人工智能研究院）
针对CLIP细粒度理解不足的问题，提出FG-CLIP，通过生成海量长图文对、构建带区域标注的FineHARD数据集及引入难负样本，在多项下游任务上超越现有方法。
2025-05-21 cs.AI cs.CV
Fine-grained Verification via Diagnostic Reasoning Supervision for Aspect Sentiment Triplet Extraction
The Hong Kong Polytechnic University（香港理工大学）；Lingnan University（岭南大学）；Education University of Hong Kong（香港教育大学）
提出FiVeD框架，通过诊断推理监督进行细粒度验证，利用质量评分和错误分类等辅助任务提升ASTE三元组抽取的可靠性。
2026-05-29 cs.AI cs.CL
Benchmarking Large Language Models with Augmented Instructions for Fine-grained Information Extraction
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Paradigm. Inc.（第四范式公司）；Tsinghua University（清华大学）；HKUST（香港科技大学）
本研究针对大语言模型适配细粒度信息抽取的需求，构建了带增强指令的细粒度IE基准数据集，实验发现模型性能不由规模单一决定，架构等因素也很关键，为LLM在IE领域的精细化应用提供参考。
2023-10-08 cs.CL
Not All Negatives are Equal: Label-Aware Contrastive Loss for Fine-grained Text Classification
National University of Singapore（新加坡国立大学）
细粒度分类涉及处理具有大量类别的数据集，这些类别之间存在细微差异。引导模型专注于区分这些通常容易混淆的类之间的维度，是提高细粒度任务性能的关键。在这项工作中，我们分析了两个细粒度的文本分类任务，情感分类和情感分析的预训练语言模型的对比微调。我们自适应地嵌入类关系到一个对比的目标函数，以帮助不同的权重的积极和消极的，特别是，加权密切混淆的负面比不太相似的负面的例子。我们发现，标签感知的对比损失优于以前的对比方法，在更大的数量和/或更容易混淆的类的存在下，并帮助模型产生更有区别的输出分布。
2021-09-12 cs.AI cs.CL
Fine-grained Information Status Classification Using Discourse Context-Aware Self-Attention
IBM Research Ireland（IBM爱尔兰研究院）
先前关于桥接回指识别的工作（Hou等人，2013a）将问题转换为学习细粒度信息状态（IS）的子任务。然而，这些系统严重依赖于许多手工制作的语言特征。本文提出了一种用于细粒度IS分类的语篇上下文感知自注意神经网络模型。在ISNotes语料库上（Markert等人，2012），我们的模型与上下文编码的单词表示（BERT）（Devlin et al.，2018）在细粒度IS分类方面实现了新的最先进性能，与Hou等人（2013 a）相比，获得了4.1%的绝对整体准确性提高。更重要的是，我们还显示了3.9%F1的改进桥接回指识别，而不使用任何复杂的手工制作的语义功能，旨在捕捉桥接现象。
2019-08-13 cs.AI cs.CL
Grid Tagging Scheme for Aspect-oriented Fine-grained Opinion Extraction
Nanjing University（南京大学）；Nanjing University of Science and Technology（南京理工大学）
面向观点的细粒度观点抽取（AFOE）旨在以观点对的形式从评论中抽取观点词和观点词，或者附加抽取观点词的情感极性形成观点三元组。由于AFOE任务包含多个意见因素，通常将其分解为多个子任务，在流水线中完成。然而，流水线方法容易遭受错误传播和现实世界中的不便。为此，我们提出了一种新的标记方案，网格标记方案（GTS），以解决AFOE任务在一个端到端的方式只有一个统一的网格标记任务。此外，我们设计了一个有效的推理策略GTS利用不同意见因素之间的相互指示更准确的提取。为了验证GTS的可行性和兼容性，分别基于CNN、BiLSTM和BERT实现了三种不同的GTS模型，并在面向方面的观点对抽取和观点三元组抽取数据集上进行了实验。大量的实验结果表明，GTS模型显著优于强基线，并达到了最先进的性能。
2020-11-03 cs.CL
Fine-grained Category Discovery under Coarse-grained supervision with Hierarchical Weighted Self-contrastive Learning
Xi’an Jiaotong University（西安交通大学）；University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Zhejiang University（浙江大学）；Lenovo Research（联想研究院）
新类别发现的目的是使在已知类别上训练的模型适应新类别。以前的工作只关注已知和新颖类别具有相同粒度的情况。在本文中，我们研究了一个新的实际场景称为细粒度的类别发现下粗粒度的监督（FCDC）。FCDC的目标是发现细粒度的类别，只有粗粒度的标记数据，它可以适应模型的类别不同的粒度从已知的，并减少显着的标签成本。这也是一项具有挑战性的任务，因为粗粒度类别的监督训练往往专注于类间距离（粗粒度类别之间的距离），但忽略了类内距离（细粒度子类之间的距离），这对于分离细粒度类别至关重要。针对目前大多数方法不能将知识从粗粒度层传递到细粒度层的问题，提出了一种分层加权自对比网络，通过构造一种新的加权自对比模块，并将其与监督学习分层结合.在公共数据集上的大量实验表明，我们的模型比比较方法的有效性和效率。代码和数据可在https://github.com/Lackel/Hierarchical_Weighted_SCL上获得。
2022-10-14 cs.AI cs.CL cs.LG
FOAL: Fine-grained Contrastive Learning for Cross-domain Aspect Sentiment Triplet Extraction
National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；ByteDance（字节跳动）
本文提出FOAL方法，通过细粒度对比学习减少跨领域差异，在六个迁移对上实现6%性能提升，缓解目标领域标注数据依赖问题。
2023-11-17 cs.CL
A Chinese Corpus for Fine-grained Entity Typing
HKUST（香港科技大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）
细粒度实体分类是一个具有挑战性的任务，具有广泛的应用。然而，这项任务的大多数现有数据集都是英文的。在本文中，我们介绍了一个用于中文细粒度实体分类的语料库，其中包含4，800个通过众包手动标记的提及。每个引用都使用自由格式的实体类型进行注释。为了使我们的数据集在更多可能的场景中有用，我们还将所有细粒度类型分类为10种一般类型。最后，我们对一些神经模型进行了实验，这些模型的结构在细粒度实体类型中是典型的，并展示了它们在我们的数据集上的表现。我们还展示了通过跨语言迁移学习提高中文细粒度实体分类的可能性。
2020-04-19 cs.CL
MACSA: A Multimodal Aspect-Category Sentiment Analysis Dataset with Multimodal Fine-grained Aligned Annotations
Harbin Institute of Technology（哈尔滨工业大学）
多模态细粒度情感分析因其广泛的应用而受到越来越多的关注。然而，现有的多模态细粒度情感数据集大多关注文本中的细粒度元素，而忽略了图像中的细粒度元素，这导致视觉内容中的细粒度元素没有得到应有的充分关注。在本文中，我们提出了一个新的数据集，多模态情感类别情感分析（MACSA）数据集，其中包含超过21 K的文本图像对。该数据集为文本和视觉内容提供细粒度的注释，并首先使用方面类别作为枢轴来对齐两种模态之间的细粒度元素。基于我们的数据集，我们提出了多模态ACSA任务和多模态基于图的对齐模型（MGAM），它采用了细粒度的跨模态融合方法。实验结果表明，我们的方法可以方便的基线比较，为今后的研究在这个语料库。我们将公开数据集和代码。
2022-06-28 cs.CL
A More Fine-Grained Aspect-Sentiment-Opinion Triplet Extraction Task
Tencent Inc.（腾讯公司）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Baidu Inc.（百度公司）
体情感三元组提取（ASTE）旨在从句子中提取体词、情感和观点词三元组，并试图为基于体的情感分析（ABSA）提供一个完整的解决方案。然而，ASTE提取的一些三元组是令人困惑的，因为ASTE提取的三元组中的情感是句子对体项表达的情感，而不是体项和观点项对的情感。在本文中，我们介绍了一个更细粒度的情绪-情感-意见三元组提取（ASOTE）任务。ASOTE还提取了方面术语、情感和观点术语三元组。然而，ASOTE提取的三元组中的情感是方面术语和观点术语对的情感。我们基于几个流行的ABSA基准为ASOTE构建了四个数据集。我们提出了一个基于位置感知BERT的框架（PBF）来解决这个问题。PBF首先从句子中提取体词。对于每个提取的方面术语，PBF首先生成方面术语特定的句子表示，同时考虑方面术语的含义和位置，然后提取相关联的意见术语，并预测的方面术语和意见术语对的情感的句子表示的基础上。在四个数据集上的实验结果表明了PBF的有效性。
2021-08-29 cs.CL
Mining fine-grained opinions on closed captions of YouTube videos with an attention-RNN
The University of Tokyo（东京大学）
视频评论是书面产品评论的自然演变。在本文中，我们针对这一现象，并介绍了从YouTube产品评论视频的隐藏字幕创建的第一个数据集，以及用于方面提取和联合方面提取和情感分类的新的注意力-RNN模型。我们的模型在方面提取上提供了最先进的性能，而不需要在SemEval ABSA语料库上使用手工制作的功能，同时它在联合任务上的性能优于基线。在我们的数据集中，注意力-RNN模型在这两项任务中的表现都优于基线，但与SemEval相比，我们观察到所有模型的性能都有重要下降。这些结果，以及进一步的实验方面提取领域自适应，语音和书面文本之间的差异，这已经在文献中广泛讨论，也延伸到产品评论领域，在那里他们是相关的细粒度的意见挖掘。
2017-08-08 cs.CL
Adverse Event Extraction from Discharge Summaries: A New Dataset, Annotation Scheme, and Initial Findings
University of Edinburgh（爱丁堡大学）；University College London（伦敦大学学院）；University of Glasgow（格拉斯哥大学）
该研究构建了老年患者出院小结不良事件抽取数据集，提出支持不连续和重叠实体的标注方案，评估多种模型，发现细粒度任务性能下降，为临床NLP提供基准。
2025-06-17 cs.CL
DLocRL: A Deep Learning Pipeline for Fine-Grained Location Recognition and Linking in Tweets
Wuhan University（武汉大学）；Inception Institute of Artificial Intelligence（人工智能初创研究所）；State Key Lab of Mathematical Engineering and Advanced Computing（数学工程与先进计算国家重点实验室）
近年来，随着社交媒体和智能设备的普及，人们在推文中随意地透露他们的位置，如商店，酒店和餐馆。识别和链接这种细粒度的位置提到定义良好的位置配置文件是有益的检索和推荐系统。在本文中，我们提出了DLocRL，一种新的深度学习管道，用于细粒度的位置识别和tweets中的链接，并在真实世界的Twitter数据集上验证了其有效性。
2019-03-02 cs.AI cs.CL cs.IR
Detecting Fine-Grained Cross-Lingual Semantic Divergences without Supervision by Learning to Rank
University of Maryland（马里兰大学）
检测以不同语言传达的内容中的细粒度差异对于跨语言NLP和多语言语料库分析很重要，但这是一个具有挑战性的机器学习问题，因为注释昂贵且难以扩展。这项工作提高了细粒度语义分歧的预测和注释。我们引入了一种多语言BERT模型的训练策略，通过学习排序不同粒度的合成发散样本。我们评估我们的模型上的语义化的英语-法语语义分歧，一个新的数据集发布的这项工作，由英语-法语的语义分歧类和标记级的理由注释的双。学习排序有助于比强的标记级相似性模型更准确地检测细粒度的标记级分歧，而标记级预测具有进一步区分粗粒度和细粒度分歧的潜力。
2020-10-07 cs.CL
Fine-Grained Entity Typing with High-Multiplicity Assignments
University of California, Berkeley（加州大学伯克利分校）
随着实体类型系统变得更丰富、更细粒度，我们预计分配给给定实体的类型数量会增加。然而，大多数细粒度的类型化工作都集中在表现出较低类型多样性的数据集上。在本文中，我们认为，如维基百科，具有半开放类型系统的数据源中固有的高多样性制度。我们引入了一个集预测的方法来解决这个问题，并表明我们的模型优于非结构化的基线上一个新的基于维基百科的细粒度打字语料库。
2017-04-25 cs.AI cs.CL cs.IR
Fine-grained Entity Typing through Increased Discourse Context and Adaptive Classification Thresholds
Johns Hopkins University（约翰斯·霍普金斯大学）
细粒度实体类型化是指为实体提及分配细粒度语义类型的任务。我们提出了一种神经架构，它学习分布式语义表示，利用更大量的语义上下文-文档和句子级别的信息-比以前的工作。我们发现，额外的上下文提高了性能，通过利用自适应分类阈值得到进一步的改善。实验表明，我们的方法不依赖于手工制作的功能实现了最先进的结果在三个基准数据集。
2018-04-21 cs.CL
Coarse2Fine: Fine-grained Text Classification on Coarsely-grained Annotated Data
University of California San Diego（加利福尼亚大学圣地亚哥分校）；Carnegie Mellon University（卡内基梅隆大学）
现有的文本分类方法主要集中在一个固定的标签集，而许多现实世界的应用程序需要扩展到新的细粒度的类，每个标签的样本数量的增加。为了适应这样的要求，我们引入了一个新的问题，称为粗到细粒度的分类，其目的是执行细粒度的粗注释数据的分类。我们没有要求新的细粒度人工注释，而是选择利用标签表面名称作为唯一的人工指导，并将丰富的预训练生成语言模型编织到迭代弱监督策略中。具体来说，我们首先提出了一个标签条件微调配方来调整这些发电机为我们的任务。此外，我们设计了一个正则化目标的基础上，从我们的问题设置派生的粗-细标签约束，给我们更进一步的改进，比以前的配方。我们的框架使用微调的生成模型对伪训练数据进行采样以训练分类器，并在真实的未标记数据上进行自举以进行模型改进。在两个真实数据集上进行的大量实验和案例研究表明，该方法优于SOTA zero-shot分类基线。
2021-09-22 cs.CL cs.LG
Multi-Granularity Semantic Aware Graph Model for Reducing Position Bias in Emotion-Cause Pair Extraction
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
情感-原因对提取（ECPE）任务旨在从文档中提取情感和原因对。我们观察到，在典型的ECPE数据集中，情绪和原因的相对距离分布极不平衡。现有的方法设置了一个固定大小的窗口来捕获相邻子句之间的关系。然而，他们忽略了有效的语义连接之间的距离子句，导致对位置不敏感的数据的泛化能力差。为了缓解这个问题，我们提出了一种新的多粒度语义感知图模型（MGSAG），结合细粒度和粗粒度的语义特征联合，而不考虑距离的限制。特别是，我们首先探讨从文档中提取的条款和关键字之间的语义依赖关系，传达细粒度的语义特征，获得关键字增强的条款表示。此外，还建立了一个子句图来描述子句间的粗粒度语义关系。实验结果表明，MGSAG优于现有的国家的最先进的ECPE模型。特别是在位置不敏感数据的情况下，MGSAG模型的性能明显优于其他模型。
2022-08-18 cs.CL
An Attentive Neural Architecture for Fine-grained Entity Type Classification
Tohoku University（东北大学）；University College London（伦敦大学学院）
在这项工作中，我们提出了一种新的注意力为基础的神经网络模型的细粒度实体类型分类的任务，不像以前提出的模型递归组成实体提及上下文的表示。我们的模型在成熟的FIGER数据集上获得了74.94%的松散微观F1分数，相对提高了2.59%。我们还研究了我们的模型的注意力机制的行为，并观察到它可以学习上下文语言表达，指示细粒度的类别成员的实体。
2016-04-19 cs.CL
Fine-grained Interpretation and Causation Analysis in Deep NLP Models
Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；Facebook AI（脸书人工智能研究院）
本文是我们在NAACL 2021上展示的关于“深度NLP模型中的细粒度解释和因果关系分析”的教程的撰写。我们从两个角度介绍和讨论了解释模型细粒度组件的研究工作，i）细粒度解释，ii）因果关系分析。前者介绍了关于语言属性或任务来分析单个神经元和一组神经元的方法。后者研究神经元和输入特征在解释模型决策中的作用。我们还讨论了神经元分析的应用，如网络操作和领域自适应。此外，我们还提供了两个工具包，即NeuroX和Captum，它们支持本教程中讨论的功能。
2021-05-29 cs.CL
Measuring Lexical Diversity of Synthetic Data Generated through Fine-Grained Persona Prompting
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Northeastern University（东北大学）；Ithaca College（伊萨卡学院）
本文通过词汇多样性指标评估人格提示生成的合成数据，发现合成提示多样性低于人工提示，人格提示可提升多样性但细粒度细节增益有限。
2025-09-19 cs.CL
Fine-Grained Causality Extraction From Natural Language Requirements Using Recursive Neural Tensor Networks
Qualicen GmbH（Qualicen有限公司）；Technical University of Munich（慕尼黑工业大学）；Blekinge Institute of Technology（布莱金厄理工学院）；University of Cologne（科隆大学）；fortiss GmbH（福蒂斯有限公司）
[上下文：]因果关系（例如，如果A，则B）在功能需求中普遍存在。对于AI4RE的各种应用，例如，从需求中自动推导出合适的测试用例，自动提取这种因果关系陈述是一个基本的必要条件。[问题：]我们缺乏一种能够以细粒度形式从自然语言需求中提取因果关系的方法。具体而言，现有的方法不考虑因果之间的组合。它们也不允许将原因和结果分割成更细粒度的文本片段（例如，变量和条件），使得提取的关系不适合自动测试用例推导。[目标与贡献：]我们解决了这一研究空白，并做出了以下贡献：首先，我们提出了因果树库，这是第一个完全标记的二元解析树语料库，代表了1，571个因果要求的组成。其次，我们提出了一种基于递归神经张量网络的细粒度因果关系提取器。我们的方法是能够恢复组成的因果语句写在自然语言，并取得了74%的因果关系树库的评价F1得分。第三，我们公开了我们的开放数据集以及我们的代码，以促进RE社区中因果关系自动提取的讨论。
2021-07-22 cs.CL cs.IR
ChartLens: Fine-grained Visual Attribution in Charts
University of Maryland（马里兰大学）；Adobe Research（Adobe研究）
针对多模态大模型在图表理解中的幻觉问题，本文提出ChartLens算法，结合分割与集合标记提示实现细粒度视觉归因，并构建ChartVA-Eval基准，使归因性能提升26-66%。
2025-05-25 cs.CL
ALiiCE: Evaluating Positional Fine-grained Citation Generation
State Key Lab of AI Safety, Institute of Computing Technology, CAS（人工智能安全国家重点实验室，计算技术研究所，中国科学院）；Key Lab of AI Safety, Chinese Academy of Sciences（人工智能安全重点实验室，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）
ALiiCE提出了一种自动评估框架，用于评估位置细粒度引用生成，通过依赖树解析句子并引入三个指标评估引用质量。
2026-02-02 cs.CL
Fine-Grained Attention Mechanism for Neural Machine Translation
Handong Global University（韩东国际大学）；New York University（纽约大学）；University of Montreal（蒙特利尔大学）
神经机器翻译已经成为机器翻译的一种新范式，而注意力机制在许多语言对中的最新记录已经成为主导方法。虽然存在注意力机制的变体，但它们都仅使用时间注意力，其中一个标量值被分配给对应于源单词的一个上下文向量。在本文中，我们提出了一个细粒度（或2D）的注意力机制的上下文向量的每个维度将收到一个单独的注意力得分。在英-德和英-菲翻译任务的实验中，细粒度注意方法提高了翻译质量的BLEU分数。此外，我们的对齐分析揭示了细粒度的注意力机制如何利用上下文向量的内部结构。
2018-04-03 cs.CL
Measuring Fine-Grained Semantic Equivalence with Abstract Meaning Representation
Georgetown University（乔治城大学）
识别语义等价的句子对于许多跨语言和单语言NLP任务都很重要。目前的语义等价方法对“等价”采取了一种松散的、中间层次的方法，尽管以前的证据表明细粒度的差异和隐含的内容对人类的理解（Roth和Anthonio，2021）和系统性能（Briakou和Carpuat，2021）有影响。在这项工作中，我们引入了一种新的，更敏感的方法，利用抽象意义表示图结构的特征语义等价。我们开发了一种方法，它可以用于黄金或自动AMR注释，并证明我们的解决方案实际上是细粒度比现有的语料库过滤方法和更准确地预测严格等价的句子比现有的语义相似性度量。我们建议，我们的更细粒度的语义等价性的措施可以限制在人类编辑后的机器翻译的任务，并在人类评价句子相似性的工作量。
2022-10-06 cs.CL
Contextual Fine-to-Coarse Distillation for Coarse-grained Response Selection in Open-Domain Conversations
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）；Nanjing University of Science and Technology（南京理工大学）
我们研究了基于检索的对话系统中的粗粒度响应选择问题。这个问题与细粒度响应选择同样重要，但在现有文献中较少探讨。在本文中，我们提出了一个上下文细到粗（CFC）蒸馏模型的粗粒度响应选择在开放域会话。在我们的CFC模型中，查询，候选响应和相应的上下文的密集表示是基于多塔架构学习，从一塔架构（细粒度）中学习到的更具表达力的知识被提取到多塔架构（粗粒度），以提高检索器的性能。为了评估我们提出的模型的性能，我们构建了两个新的数据集的基础上Reddit的评论转储和Twitter语料库。在两个数据集上的大量实验结果表明，与传统的基线方法相比，所提出的方法在所有评估指标上都有显着的改善。
2022-04-27 cs.CL
Improving Brain-to-Image Reconstruction via Fine-Grained Text Bridging
College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（人工智能学院，南京航空航天大学）；MIIT Key Laboratory of Pattern Analysis and Machine Intelligence（信息科技部模式分析与机器智能重点实验室）；The Key Laboratory of Brain-Machine Intelligence Technology, Ministry of Education（教育部脑机智能技术重点实验室）
针对脑到图像重建中细节缺失和语义不一致问题，提出FgB2I方法，利用细粒度文本作为桥梁，通过细节增强、文本解码和文本桥接三阶段，结合三大奖励指标从fMRI信号解码细粒度文本描述，有效提升图像重建质量。
2025-05-29 cs.CL cs.CV
Mitigating Fine-Grained Hallucination by Fine-Tuning Large Vision-Language Models with Caption Rewrites
Singapore Management University（新加坡管理大学）；Beijing Forestry University（北京林业大学）；University of Electronic Science and Technology of China（电子科技大学）
本文提出 ReCaption 框架，通过 ChatGPT 改写字幕并微调 LVLMs，同时设计 FGHE 细粒度评估方法，有效减少细粒度对象幻觉并提升文本生成质量。
2023-12-04 cs.CL cs.CV
Identification of Fine-Grained Location Mentions in Crisis Tweets
Kansas State University（堪萨斯州立大学）
识别危机推文中提到的细粒度位置是将从社交媒体中提取的态势感知信息转化为可操作信息的核心。大多数先前的工作都集中在确定通用的位置，而不考虑其特定类型。为了促进细粒度位置识别任务的进展，我们组装了两个tweet crisis数据集，并使用特定的位置类型手动注释它们。第一个数据集包含来自混合危机事件的推文，而第二个数据集包含来自全球COVID-19大流行的推文。我们研究了最先进的深度学习模型在这些数据集上进行序列标记的性能，包括域内和跨域设置。
2021-11-11 cs.CL cs.LG
Learning Fine-Grained Controllability on Speech Generation via Efficient Fine-Tuning
Toyota Technological Institute at Chicago（芝加哥丰田理工学院）；AI at Meta（元人工智能部门）
本文提出Voicebox Adapter，通过交叉注意力模块和LoRA偏置调优高效微调预训练Voicebox模型，在三个细粒度条件生成任务上实现了不损失语音质量的可控性提升，并验证了其资源效率与鲁棒性。
2024-06-10 cs.CL eess.AS
Multitask Learning for Fine-Grained Twitter Sentiment Analysis
Univ. Grenoble Alps（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）
传统的情感分析方法通过分别学习任务来解决三元（3类）和细粒度（5类）分类等问题。我们认为，这样的分类任务是相关的，我们提出了一个多任务的方法，基于一个循环神经网络，共同学习它们的好处。我们的研究展示了多任务模型在这类问题上的潜力，并改进了细粒度情感分类问题的最新结果。
2017-07-12 cs.CL cs.IR cs.LG
Enhancing Fine-Grained Image Classifications via Cascaded Vision Language Models
Tencent（腾讯）
本文提出CascadeVLM框架，级联利用CLIP与LVLM处理细粒度零样本/少样本分类，在Stanford Cars上达到85.6%零样本准确率并显著优于现有方法。
2024-05-18 cs.CL cs.CV
Towards Learning Fine-Grained Disentangled Representations from Speech
University of Notre Dame（圣母大学）
学习高维数据的非纠缠表示是当前一个活跃的研究领域。然而，与计算机视觉领域相比，语音处理方面的工作做得较少。在本文中，我们提供了一个审查的两个代表性的努力在这个话题上，并提出了新的概念细粒度的解开语音表示学习。
2018-08-08 cs.CL cs.LG cs.SD
Fine-Grained Emotional Paraphrasing along Emotion Gradients
Westview High School（西景高中）
释义生成，又称。释义是自然语言处理中的一项重要任务。情感释义，即在保持文本意义的同时改变文本中所体现的情感，具有许多潜在的应用，例如，主持在线对话和防止网络欺凌。我们引入了一个新的任务，细粒度的情感释义沿情感梯度，即改变情感强度的释义在细粒度以下的情感维度的平滑变化，同时保持原来的意义。我们提出了一个框架，通过多任务训练微调文本到文本的Transformers来解决这个任务。我们增强了几个广泛使用的释义语料库，通过注释的输入和目标文本与他们的细粒度的情感标签。有了这些标签，在这些语料库上微调文本到文本的Transformers需要多任务训练。在单独的测试集上对微调的Transformers的评估表明，在释义任务中包括细粒度的情感标签显著提高了获得所需情感的高质量释义的机会，即，超过一倍的数量的精确匹配所需的情绪，同时实现了一贯更好的分数在释义指标，如蓝色，ROGUE，和METEOR。
2022-10-30 cs.CL cs.LG
