論文の概要: SemEval-2020 Task 5: Counterfactual Recognition
- arxiv url: http://arxiv.org/abs/2008.00563v1
- Date: Sun, 2 Aug 2020 20:32:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 19:48:55.160751
- Title: SemEval-2020 Task 5: Counterfactual Recognition
- Title（参考訳）: SemEval-2020 Task 5: Counterfactual Recognition
- Authors: Xiaoyu Yang, Stephen Obadinma, Huasha Zhao, Qiong Zhang, Stan Matwin,
Xiaodan Zhu
- Abstract要約: Subtask-1は、ある文が偽造文であるか否かを判定することを目的としている。
Subtask-2は、該当するシステムに対して、所定の偽造声明を抽出することを要求する。
- 参考スコア（独自算出の注目度）: 36.38097292055921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a counterfactual recognition (CR) task, the shared Task 5 of
SemEval-2020. Counterfactuals describe potential outcomes (consequents)
produced by actions or circumstances that did not happen or cannot happen and
are counter to the facts (antecedent). Counterfactual thinking is an important
characteristic of the human cognitive system; it connects antecedents and
consequents with causal relations. Our task provides a benchmark for
counterfactual recognition in natural language with two subtasks. Subtask-1
aims to determine whether a given sentence is a counterfactual statement or
not. Subtask-2 requires the participating systems to extract the antecedent and
consequent in a given counterfactual statement. During the SemEval-2020
official evaluation period, we received 27 submissions to Subtask-1 and 11 to
Subtask-2. The data, baseline code, and leaderboard can be found at
https://competitions.codalab.org/competitions/21691. The data and baseline code
are also available at https://zenodo.org/record/3932442.
- Abstract（参考訳）: 本稿では,SemEval-2020の共有タスク5(CR)タスクを提案する。
カウンターファクトリーは、起こらなかったり起こらなかったり、事実(関与者)に逆らうような行動や状況によって生じる潜在的な結果(結果)を記述している。
カウンターファクチュアルシンキングは人間の認知システムの重要な特徴であり、先駆者と結果と因果関係を結びつける。
我々のタスクは2つのサブタスクを持つ自然言語における反ファクト認識のベンチマークを提供する。
Subtask-1は、ある文が偽造文であるか否かを決定することを目的としている。
Subtask-2は、該当するシステムに対して、所定の偽造声明を抽出することを要求する。
SemEval-2020の公式評価期間中に27件のSubtask-1と11件のSubtask-2を提出した。
データ、ベースラインコード、リーダーボードはhttps://competitions.codalab.org/competitions/21691にある。
データとベースラインコードはhttps://zenodo.org/record/3932442.com/で入手できる。
関連論文リスト
- Effective Cross-Task Transfer Learning for Explainable Natural Language
Inference with T5 [50.574918785575655]
2つのタスクのパフォーマンス向上という文脈において、逐次微調整とマルチタスク学習のモデルを比較した。
この結果から,2つのタスクのうち,第1のタスクにおいて逐次マルチタスク学習は良好に調整できるが,第2のタスクでは性能が低下し,過度な適合に苦しむことが明らかとなった。
論文 参考訳（メタデータ） (2022-10-31T13:26:08Z) - SemEval-2021 Task 4: Reading Comprehension of Abstract Meaning [47.49596196559958]
本稿では,SemEval-2021共有タスクについて紹介する。4: Reading of Abstract Meaning (ReCAM)。
パスとそれに対応する質問が与えられた場合、参加者システムは、抽象概念の5つの候補から正しい回答を選択することが期待される。
Subtask 1は、物理的な世界で直接認識できない概念を、システムがいかにうまくモデル化できるかを評価することを目的としている。
Subtask 2は、ハイパーニム階層にある非特異な概念を解釈するモデルの能力に焦点を当てている。
Subtask 3は、2種類の抽象性に対するモデルの一般化可能性に関する洞察を提供することを目的としている。
論文 参考訳（メタデータ） (2021-05-31T11:04:17Z) - ISCAS at SemEval-2020 Task 5: Pre-trained Transformers for
Counterfactual Statement Modeling [48.3669727720486]
ISCASはSemEval 2020 Task 5の2つのサブタスクに参加した。
本稿では,事前学習したトランスをベースとしたシステムについて述べる。
論文 参考訳（メタデータ） (2020-09-17T09:28:07Z) - BUT-FIT at SemEval-2020 Task 5: Automatic detection of counterfactual
statements with deep pre-trained language representation models [6.853018135783218]
本稿では,BUT-FITによるSemEval-2020 Task 5: Modelling Causal Reasoning in Language: Detecting Counterfactualsについて述べる。
課題は、ある文が偽物を含むかどうかを検出することである。
どちらのサブタスクでも,RoBERTa LRMが最善を尽くすことがわかった。
論文 参考訳（メタデータ） (2020-07-28T11:16:11Z) - IITK-RSA at SemEval-2020 Task 5: Detecting Counterfactuals [3.0396370700420063]
本稿では,SemEval-2020のタスク5への取り組みについて述べる。
そのタスクは、反事実として知られるテキスト表現のクラスを検出することを含んでいた。
カウンターファクトステートメントは、発生しなかった、あるいは発生できなかった事象と、そのような事象の起こりうる影響を記述している。
論文 参考訳（メタデータ） (2020-07-21T14:45:53Z) - SemEval-2020 Task 4: Commonsense Validation and Explanation [24.389998904122244]
SemEval-2020 Task 4, Commonsense Validation and Explanation (ComVE)には3つのサブタスクが含まれている。
我々は,人間にとって理にかなう自然言語文と,そうでないものとを区別できるかどうかを評価することを目的とする。
Subtask A と Subtask B では、上位のシステムのパフォーマンスは人間に近い。
論文 参考訳（メタデータ） (2020-07-01T04:41:05Z) - Counterfactual Detection meets Transfer Learning [48.82717416666232]
既存のモデルアーキテクチャに最小限の適応で実装可能な,単純なバイナリ分類タスクであることを示す。
本稿では,先行者や後続者をエンティティ認識タスクとして処理するエンド・ツー・エンドパイプラインを導入し,それらをトークン分類に適用する。
論文 参考訳（メタデータ） (2020-05-27T02:02:57Z) - L2R2: Leveraging Ranking for Abductive Reasoning [65.40375542988416]
学習システムの帰納的推論能力を評価するために,帰納的自然言語推論タスク(alpha$NLI)を提案する。
新たな$L2R2$アプローチは、Learning-to-rankフレームワークの下で提案されている。
ARTデータセットの実験は、公開リーダボードの最先端に到達します。
論文 参考訳（メタデータ） (2020-05-22T15:01:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。