GRITv2: Efficient and Light-weight Social Relation Recognition

我们的研究重点是分析和改进基于图的关系推理变换器（GRIT），它是该领域的一个重要基准。我们使用PISC-fine数据集进行了全面的消融研究，以找到并探索GRITv2的效率和性能的改进。我们的研究在PISC关系数据集上提供了一种新的最先进的关系识别模型。我们在GRIT模型中引入了几个特性，并分析了我们的新基准的两个版本：GRITv2-L（大）和GRITv2-S（小）。我们提出的GRITv2-L在关系识别方面超过了现有的方法，而GRITv2-S的性能差距仅为GRITv2-L的2％，但GRITv2-S的模型大小和参数仅为GRITv2-L的0.0625倍。此外，我们还解决了模型压缩的需求，这是在资源受限平台上部署高效模型所必需的领域。通过应用量化技术，我们将GRITv2-S的大小高效地减小到22MB，并将其部署在旗舰手机OnePlus 12上，仍然超过PISC-fine基准，突显了我们的模型在移动设备上的实用性和改进的效率。

本论文的问题是分析和改进基于图的关系推断变压器（GRIT）模型，该模型是该领域的重要基准。论文通过在PISC-fine数据集上进行全面的消融研究，寻找和探索GRITv2的效率和性能的改进，提出了一个新的最先进的PISC关系数据集上的关系识别模型。

本论文的关键思路是在GRIT模型中引入了几个特征，并分析了我们的新基准在GRITv2-L（大）和GRITv2-S（小）两个版本中的表现，其中GRITv2-L在关系识别方面超过了现有方法，而GRITv2-S与GRITv2-L的性能差距不到2%，但只有GRITv2-L的模型大小和参数的0.0625倍。此外，论文还解决了模型压缩的需求，这是在资源受限平台上部署高效模型的关键领域。通过应用量化技术，我们将GRITv2-S的大小有效地减小到22MB，并在旗舰OnePlus 12手机上部署，仍然超过PISC-fine基准的性能，突出了我们的模型在移动设备上的实用性和改进的效率。

本论文的亮点包括：提出了一个新的最先进的PISC关系数据集上的关系识别模型；在GRIT模型中引入了几个特征，并分析了新基准在两个版本中的表现；通过应用量化技术，有效地减小了模型大小并在移动设备上部署；实验设计了全面的消融研究，并使用了PISC-fine数据集。

最近在这个领域中的相关研究包括：《Graph Convolutional Networks for Relation Extraction》、《A Survey on Relation Extraction》等。