AAAI-2021-RE-Progressive Multitask Learning with Controlled Information Flow for Joint Entity and Re

Progressive Multitask Learning with Controlled Information Flow for Joint Entity and Relation Extraction

信息交互方式——注意力机制的计算和使用
核心出发点：
先前预测的内容对之后的预测会有帮助，应该适当的融合先前预测的信息内容。

H是信息表示，通过classsifier得到结果——第一条链路
classifier C’ which takes H as input and produces the prediction Y’—这些早期预测提供了一些关于 Y 的信息，这些信息可以用作 H 的附加信息，以提取更具表现力的表示 T。—这些早期预测提供了一些关于 Y 的信息，这些信息可以用作 H 的附加信息，以提取更具表现力的表示 T。——第二条链路

Y 0 不一定是基本事实，因此并非 Y 0 中包含的所有信息都可能对模型性能有益。因此，我们认为有必要控制 Y 的信息流。一个随机映射 (SM) 来模拟 H 和 T 之间的互信息，条件是 Y——第三条链路

文章的建模任务——NER&RC的联合任务

部分匹配（上）和完全匹配（下）在 NYT 和 WebNLG 上的结果