能動学習が不十分なとき：化学反応抽出に関する実証研究

Abstract

化学文献の急速な成長により、大量の非構造化データが生み出されました。そこでは、反応情報がとりわけ反応予測や創薬デザインといった応用において価値の高いものとなっています。しかし、専門家によるアノテーションの費用が過大であることが、学習データの不足につながり、自動反応抽出の性能を深刻に阻害しています。本研究では、化学反応抽出に対する能動学習（active learning）について体系的な調査を行います。事前学習済みのトランスフォーマー-CRFアーキテクチャに対し、6つの不確実性および多様性に基づく戦略を統合し、製品抽出およびロールラベリングのタスクで評価します。いくつかの手法は、より少ないラベル付きインスタンスであってもフルデータ相当の性能に近づくものの、学習曲線はしばしば単調ではなく、タスク依存的です。分析の結果、強力な事前学習、構造化CRFによるデコーディング、ならびにラベルの疎（label sparsity）が、従来の能動学習戦略の安定性を制限することが明らかになりました。これらの知見は、化学情報抽出において能動学習を効果的に活用するための実践的な洞察を提供します。