論文の概要: TEST_POSITIVE at W-NUT 2020 Shared Task-3: Joint Event Multi-task Learning for Slot Filling in Noisy Text

• arxiv url: http://arxiv.org/abs/2009.14262v1
• Date: Tue, 29 Sep 2020 19:08:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 05:42:41.732660
• Title: TEST_POSITIVE at W-NUT 2020 Shared Task-3: Joint Event Multi-task Learning for Slot Filling in Noisy Text
• Title（参考訳）: W-NUT 2020 Shared Task-3:Joint Event Multi-task Learning for Slot Filling in Noisy Text
• Authors: Chacha Chen, Chieh-Yang Huang, Yaqi Hou, Yang Shi, Enyan Dai, Jiaqi Wang
• Abstract要約: 本稿では,Twitter から COVID-19 イベントを抽出する統合イベントマルチタスク学習 (JOELIN) モデルを提案する。 統一されたグローバルラーニングフレームワークを通じて、異なるイベントにわたるトレーニングデータを全て利用して、言語モデルを学習し、微調整する。 我々は,その予測をさらにフィルタリングするために,名前付きエンティティ認識(NER)を用いた型認識後処理手法を実装した。
• 参考スコア（独自算出の注目度）: 26.270447944466557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The competition of extracting COVID-19 events from Twitter is to develop systems that can automatically extract related events from tweets. The built system should identify different pre-defined slots for each event, in order to answer important questions (e.g., Who is tested positive? What is the age of the person? Where is he/she?). To tackle these challenges, we propose the Joint Event Multi-task Learning (JOELIN) model. Through a unified global learning framework, we make use of all the training data across different events to learn and fine-tune the language model. Moreover, we implement a type-aware post-processing procedure using named entity recognition (NER) to further filter the predictions. JOELIN outperforms the BERT baseline by 17.2% in micro F1.
• Abstract（参考訳）: twitterからcovid-19イベントを抽出する競争は、ツイートから関連するイベントを自動的に抽出するシステムを開発することだ。 構築されたシステムは、重要な質問に答えるために、各イベントの異なる事前定義されたスロットを特定する必要がある(例えば、誰が陽性か?その人の年齢は?彼はどこにいるか?)。 これらの課題に対処するために,統合イベントマルチタスク学習(JOELIN)モデルを提案する。 統一されたグローバルラーニングフレームワークを通じて、さまざまなイベントにわたるトレーニングデータを使用して、言語モデルを学習し、微調整する。 さらに,名前付きエンティティ認識(NER)を用いた型認識後処理手法を実装し,予測をさらにフィルタリングする。 JOELINはマイクロF1でBERTベースラインを17.2%上回る。

関連論文リスト

• GenEARL: A Training-Free Generative Framework for Multimodal Event Argument Role Labeling [89.07386210297373]
  GenEARLは、イベントタスク記述を理解するために近代的な生成モデルの力を利用する、トレーニング不要な生成フレームワークである。 GenEARLは、M2E2データセットとSwiGデータセット上のゼロショットEARLに対して、CLIPベースラインを9.4%、精度14.2%で上回っている。
  論文  参考訳（メタデータ） (2024-04-07T00:28:13Z)
• Towards Event Extraction from Speech with Contextual Clues [61.164413398231254]
  本稿では,音声イベント抽出(SpeechEE)タスクを導入し,3つの合成トレーニングセットと1つの人為的テストセットを構築した。 テキストからのイベント抽出と比較して、SpeechEEは、主に連続的で単語境界を持たない複雑な音声信号のために、より大きな課題を提起する。 我々の手法はすべてのデータセットに大幅な改善をもたらし、最大10.7%のF1ゲインを達成する。
  論文  参考訳（メタデータ） (2024-01-27T11:07:19Z)
• Unified Demonstration Retriever for In-Context Learning [56.06473069923567]
  Unified Demonstration Retriever (textbfUDR)は、幅広いタスクのデモを検索する単一のモデルである。 我々は,高品質な候補を見つけるための反復的なマイニング戦略を備えたマルチタスクリストワイド・トレーニング・フレームワークを提案する。 13のタスクファミリーと複数のデータドメインにわたる30以上のタスクの実験は、UDRがベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-05-07T16:07:11Z)
• MarsEclipse at SemEval-2023 Task 3: Multi-Lingual and Multi-Label Framing Detection with Contrastive Learning [21.616089539381996]
  本稿では,SemEval-2023 Task 3 Subtask 2 on Framing Detectionについて述べる。 我々は,多言語環境下での大規模事前学習言語モデルの微調整に,マルチラベルのコントラスト損失を用いた。 本システムは,6言語のうち5言語について,公式テストセットと共有タスクリーダーボードで第1位にランクインした。
  論文  参考訳（メタデータ） (2023-04-20T18:42:23Z)
• Segment-level Metric Learning for Few-shot Bioacoustic Event Detection [56.59107110017436]
  本稿では,モデル最適化時の肯定的事象と否定的事象の両方を利用するセグメントレベルの数ショット学習フレームワークを提案する。 本システムでは,DCASE2022チャレンジタスク5(DCASE2022-T5)のF値62.73の検証を行い,ベースラインプロトタイプネットワーク34.02の性能を大きなマージンで向上させる。
  論文  参考訳（メタデータ） (2022-07-15T22:41:30Z)
• Handshakes AI Research at CASE 2021 Task 1: Exploring different approaches for multilingual tasks [0.22940141855172036]
  ケース2021共有タスク1の目的は,多言語環境下での社会・政治・危機事象情報の検出と分類である。 提案書にはすべてのサブタスクのエントリが含まれており,得られたスコアが調査結果の妥当性を検証した。
  論文  参考訳（メタデータ） (2021-10-29T07:58:49Z)
• Generative Conversational Networks [67.13144697969501]
  本稿では,対話エージェントが独自のラベル付き学習データを生成することを学習する,生成会話ネットワーク(Generative Conversational Networks)というフレームワークを提案する。 そこで本研究では,シードデータから学習したベースラインモデルに対して,意図検出が平均35%,スロットタグが平均21%向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-15T23:19:37Z)
• Leveraging Event Specific and Chunk Span features to Extract COVID Events from tweets [0.0]
  We describe our system entry for WNUT 2020 Shared Task-3。 このタスクは、TwitterからさまざまなCOVID-19関連イベントの抽出を自動化することを目的としていた。 このシステムは、アンサンブルや追加のデータセットを使用せずに、F1の0.6598でリーダーボードで1位にランクインします。
  論文  参考訳（メタデータ） (2020-12-18T04:49:32Z)
• "What Are You Trying to Do?" Semantic Typing of Event Processes [94.3499255880101]
  本稿では,認知に動機づけられたセマンティックタイピングタスク,多軸イベントプロセスタイピングについて検討する。 我々は60k以上のイベントプロセスを含む大規模なデータセットを開発し、アクションとオブジェクトタイプの軸の両方に極細粒度のタイピングを特徴とする。 本稿では,Glosses1からの間接的監視によるタイピング問題に対処するハイブリッド学習フレームワークP2GTと,共同学習からランクへのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-13T22:37:29Z)
• Phonemer at WNUT-2020 Task 2: Sequence Classification Using COVID Twitter BERT and Bagging Ensemble Technique based on Plurality Voting [0.0]
  新型コロナウイルス(COVID-19)に関連する英語のつぶやきを自動的に識別するシステムを開発した。 最終アプローチでは0.9037のF1スコアを達成し,F1スコアを評価基準として総合6位にランク付けした。
  論文  参考訳（メタデータ） (2020-10-01T10:54:54Z)

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。