SEDA：用于增强基于网格的不连续NER模型的自适应实体中心数据增强

该论文介绍了SEDA，一种新颖的数据增强技术，专门用于改进基于网格的不连续命名实体识别（NER）模型。 这种有针对性的方法表明，在复杂的NER任务中，性能有显著提升的潜力。

• •SEDA 是一种用于不连续NER的新型数据增强方法。
• •它旨在增强基于网格的 NER 模型。
• •该方法以实体为中心，这意味着侧重于提高实体识别的准确性。