近日，计算机学院硕士生任林和杨震在EMNLP2023上分别发表两篇Findings论文。EMNLP（Conference on Empirical Methods in Natural Language Processing）是自然语言处理领域的知名国际会议，由国际计算语言学会（ACL）主办，是CCF-B类推荐会议。EMNLP 2023于2023年12月6日至10日在新加坡举行。

录用的文章如下：

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

作者：任林，刘永彬，曹艺馨，欧阳纯萍

简介：此论文致力于解决关系抽取任务中遇到的长尾分布（long-tail distribution）和分布外泛化（out of distribution）问题。作者提出了一种新颖的协方差和方差优化框架（OVO）。在训练过程中，该框架通过增加特征各维度之间的独立性（利用协方差）和增强少样本标签在训练中的影响及标签间可区分性（利用分组后方差），有效降低了前述问题的影响，并显著提高了模型的整体性能。

OVO模型图

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

作者：杨震，刘永彬，欧阳纯萍

简介：少样本命名实体识别（NER）任务旨在有限标注样本的情况下识别新类的实体。然而，与具有丰富样本的任务相比，这些任务面临过拟合的显著挑战。这种过拟合主要是由于选择少数样本时产生的伪相关。论文提出了一种基于因果干预的少样本NER方法。方法基于原型网络，对上下文进行干预，以阻断上下文与标签之间的后门路径。对于没有额外上下文的one-shot场景，论文采用增量学习对原型进行干预，有助于减轻灾难性遗忘。在各种基准测试上的实验结果表明，提出的方法取得了最优表现。

因果干预结构图