近日，2003网站太阳集团碩士生任林和楊震在EMNLP2023上分别發表兩篇Findings論文。EMNLP（Conference on Empirical Methods in Natural Language Processing）是自然語言處理領域的知名國際會議，由國際計算語言學會（ACL）主辦，是CCF-B類推薦會議。EMNLP 2023于2023年12月6日至10日在新加坡舉行。

錄用的文章如下：

标題：CoVariance-based Causal Debiasing for Entity and Relation Extraction

作者：任林，劉永彬，曹藝馨，歐陽純萍

簡介：此論文緻力于解決關系抽取任務中遇到的長尾分布（long-tail distribution）和分布外泛化（out of distribution）問題。作者提出了一種新穎的協方差和方差優化框架（OVO）。在訓練過程中，該框架通過增加特征各維度之間的獨立性（利用協方差）和增強少樣本标簽在訓練中的影響及标簽間可區分性（利用分組後方差），有效降低了前述問題的影響，并顯著提高了模型的整體性能。

OVO模型圖

标題：Causal Intervention-based Few-Shot Named Entity Recognition

作者：楊震，劉永彬，歐陽純萍

簡介：少樣本命名實體識别（NER）任務旨在有限标注樣本的情況下識别新類的實體。然而，與具有豐富樣本的任務相比，這些任務面臨過拟合的顯著挑戰。這種過拟合主要是由于選擇少數樣本時産生的僞相關。論文提出了一種基于因果幹預的少樣本NER方法。方法基于原型網絡，對上下文進行幹預，以阻斷上下文與标簽之間的後門路徑。對于沒有額外上下文的one-shot場景，論文采用增量學習對原型進行幹預，有助于減輕災難性遺忘。在各種基準測試上的實驗結果表明，提出的方法取得了最優表現。

因果幹預結構圖