論文の概要: Predicting Event Time by Classifying Sub-Level Temporal Relations
Induced from a Unified Representation of Time Anchors
- arxiv url: http://arxiv.org/abs/2008.06452v1
- Date: Fri, 14 Aug 2020 16:30:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 16:34:31.550982
- Title: Predicting Event Time by Classifying Sub-Level Temporal Relations
Induced from a Unified Representation of Time Anchors
- Title（参考訳）: 時間アンカーの統一表現から誘導されるサブレベル時間関係の分類による事象時間予測
- Authors: Fei Cheng and Yusuke Miyao
- Abstract要約: 本稿では,複雑な時間関係をサブレベル関係に分解する効果的な方法を提案する。
我々のアプローチは最先端の意思決定ツリーモデルより優れている。
- 参考スコア（独自算出の注目度）: 10.67457147373144
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting event time from news articles is a challenging but attractive
task. In contrast to the most existing pair-wised temporal link annotation,
Reimers et al.(2016) proposed to annotate the time anchor (a.k.a. the exact
time) of each event. Their work represents time anchors with discrete
representations of Single-Day/Multi-Day and Certain/Uncertain. This increases
the complexity of modeling the temporal relations between two time anchors,
which cannot be categorized into the relations of Allen's interval algebra
(Allen, 1990).
In this paper, we propose an effective method to decompose such complex
temporal relations into sub-level relations by introducing a unified quadruple
representation for both Single-Day/Multi-Day and Certain/Uncertain time
anchors. The temporal relation classifiers are trained in a multi-label
classification manner. The system structure of our approach is much simpler
than the existing decision tree model (Reimers et al., 2018), which is composed
by a dozen of node classifiers. Another contribution of this work is to
construct a larger event time corpus (256 news documents) with a reasonable
Inter-Annotator Agreement (IAA), for the purpose of overcoming the data
shortage of the existing event time corpus (36 news documents). The empirical
results show our approach outperforms the state-of-the-art decision tree model
and the increase of data size obtained a significant improvement of
performance.
- Abstract（参考訳）: ニュース記事からイベント時間を抽出するのは難しいが魅力的な作業だ。
最も既存の対方向の時間リンクアノテーションとは対照的に、reimers et al。
(2016)は各イベントの時刻アンカー(正確な時刻)に注釈を付けることを提案した。
彼らの作品は、シングルデイ/マルチデイおよび特定/未確認の離散表現を持つタイムアンカーを表している。
これにより、2つの時間アンカー間の時間関係のモデル化の複雑さが増し、アレンの区間代数の関係には分類できない(allen, 1990)。
本稿では,このような複雑な時間関係を,1日・マルチデイと不確実な時間アンカーに統一された四重項表現を導入することによって,下位関係に分解する有効な方法を提案する。
時間関係分類器は多ラベル分類方式で訓練される。
我々のアプローチのシステム構造は、複数のノード分類器で構成される既存の決定木モデル(reimers et al., 2018)よりもはるかに単純である。
この研究のもう1つの貢献は、既存のイベントタイムコーパス(36ニュースドキュメント)のデータ不足を克服するために、合理的なアノテーション間合意(iaa)を持つより大きなイベントタイムコーパス(256ニュースドキュメント)を構築することである。
実験の結果,本手法は最先端決定木モデルより優れ,データサイズの増加により性能が大幅に向上した。
関連論文リスト
- Only One Relation Possible? Modeling the Ambiguity in Event Temporal Relation Extraction [30.319025749352246]
イベント時間関係抽出(ETRE)は、2つのイベント間の時間的関係を特定することを目的としている。
本稿では, ETRE (METRE) の多ラベル分類法を提案する。
本手法は,textitVagueインスタンスを有効利用して,特定の時間関係の認識を改善する。
論文 参考訳（メタデータ） (2024-08-14T07:57:51Z) - Dynamically Updating Event Representations for Temporal Relation
Classification with Multi-category Learning [35.27714529976667]
時間的関係分類は、2つの言及間の時間的リンク(Tlink)の関係を特定するためのペアワイズタスクである。
本稿では,複数のTlinkカテゴリにまたがる動的イベント表現を管理するイベント中心モデルを提案する。
提案手法は,英語と日本語の両方のデータに基づいて,最先端のモデルと2つの転移学習ベースラインより優れている。
論文 参考訳（メタデータ） (2023-10-31T07:41:24Z) - TIMELINE: Exhaustive Annotation of Temporal Relations Supporting the
Automatic Ordering of Events in News Articles [4.314956204483074]
本稿では,どの時間的関係にアノテートすべきかに基づいて,その基準を明確に定義する新たなアノテーション手法を提案する。
また、プロセスを自動化する時間的関係(長距離関係を含む)に注釈を付ける方法も提案する。
その結果、新しいデータセットであるTIMELINEコーパスが得られ、アノテーション間の合意が改善された。
論文 参考訳（メタデータ） (2023-10-26T22:23:38Z) - More than Classification: A Unified Framework for Event Temporal
Relation Extraction [61.44799147458621]
イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。
イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。
本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-28T02:09:08Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference,
Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。
103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。
実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
論文 参考訳（メタデータ） (2022-11-14T13:34:49Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - Self-Supervised Time Series Representation Learning by Inter-Intra
Relational Reasoning [18.72937677485634]
本稿では,汎用的な自己教師型時系列表現学習フレームワークであるSelfTimeを紹介する。
本研究では,時系列のサンプル間関係と時間内関係を探索し,ラベルなし時系列の基盤となる構造特徴を学習する。
時系列の有用な表現は、関係推論ヘッドの監督の下、バックボーンから抽出される。
論文 参考訳（メタデータ） (2020-11-27T04:04:17Z) - Learning to Decouple Relations: Few-Shot Relation Classification with
Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。
一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。
一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
論文 参考訳（メタデータ） (2020-10-21T11:07:53Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z)
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。