DiffIE：基于扩散的开放信息提取

单个句子通常表达多个有效的关系三元组，这使得开放信息提取（OpenIE）从根本上来说是一个多输出任务。现有的神经系统通过自回归生成（灵活但缓慢且容易产生冗余）或固定时隙预测（虽然高效但将提取预算与训练耦合）来处理此问题。我们引入了 DIFFIE，它将条件离散扩散的随机性视为提取机制本身：每个词元角色标签上的独立反向扩散轨迹产生候选三元组池，这些三元组在宽松匹配下聚类并排序以形成输出。池大小和返回的提取数量都是推理时间选择，将提取预算与训练解耦，并将测试时间计算暴露为可调轴。 DIFFIE 在 F1 和 AUC 中均达到了 CaRB (1-1) 的最新技术水平，并且优于 BenchIE 中最强的基于规则的系统 (ClausIE)；它还在标准 CaRB 和 WiRe57 评估中保持竞争力，在报告所有四个基准的系统中给出最佳平均分数。消融表明，在我们的设置中，均匀离散扩散优于吸收状态扩散，并且匹配的非扩散随机标记器不会重现其增益。我们的结果表明，扩散随机性是具有多个有效输出的结构化预测任务的有效机制。