论文笔记：CollaboNet: collaboration of deep neural networks for biomedical named entity recognition

生物领域的NER识别。
论文核心：提出了一种将多个模型做结合的一种方式，提高模型的预测性能。
针对每一种类型的实体，训练一个模型。解释是：每个模型是每种类型的专家，效果会很好。

每个实体类型的模型训练架构

模型的结合方式
aggregation operation such as max pooling or concatenation.
现在每种类型的数据集上，单独训练，形成针对每种类型的初始模型。（CRF模型）

在之后的阶段中，利用之前所有的训练模型，具体来说，当选择target=d的模型时，选择对应的在该数据集上训练的模型为target model，其余model为协作模型collaboration model。

我理解的哈：
是将每个target data中的sent，采用协作模型得到表示的前提下，利用某种方式（比如，maxpool or concatenation等等方法，集成多个结果），之后，在和target model 得到的句子表示做集成，作为最终的表示，在喂给target model得到新的CRF的表示，通过loss更新模型参数，得到新的更新后训练的target model。

总结

模型的集成方式的探讨，但缺陷也明显，内存大，应用不方便，在实际中应用价值不高。
但可以作为性能改善提升的一种方式。