論文の概要: OpenIE6: Iterative Grid Labeling and Coordination Analysis for Open Information Extraction

• arxiv url: http://arxiv.org/abs/2010.03147v1
• Date: Wed, 7 Oct 2020 04:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 23:12:59.537094
• Title: OpenIE6: Iterative Grid Labeling and Coordination Analysis for Open Information Extraction
• Title（参考訳）: OpenIE6:オープン情報抽出のための反復格子ラベリングとコーディネート解析
• Authors: Keshav Kolluru, Vaibhav Adlakha, Samarth Aggarwal, Mausam, and Soumen Chakrabarti
• Abstract要約: 我々は,OpenIEの新たな技術状態を確立しつつ,10倍高速に抽出する反復ラベリングシステムを提案する。 これは、OpenIEを2Dグリッドラベリングタスクとして扱うIGL(Iterative Grid Labeling)アーキテクチャによって実現される。 当社のOpenIEシステムであるOpenIE6は、F1で4 ptsの速さで以前のシステムを打ち負かしています。
• 参考スコア（独自算出の注目度）: 36.439047786561396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A recent state-of-the-art neural open information extraction (OpenIE) system generates extractions iteratively, requiring repeated encoding of partial outputs. This comes at a significant computational cost. On the other hand, sequence labeling approaches for OpenIE are much faster, but worse in extraction quality. In this paper, we bridge this trade-off by presenting an iterative labeling-based system that establishes a new state of the art for OpenIE, while extracting 10x faster. This is achieved through a novel Iterative Grid Labeling (IGL) architecture, which treats OpenIE as a 2-D grid labeling task. We improve its performance further by applying coverage (soft) constraints on the grid at training time. Moreover, on observing that the best OpenIE systems falter at handling coordination structures, our OpenIE system also incorporates a new coordination analyzer built with the same IGL architecture. This IGL based coordination analyzer helps our OpenIE system handle complicated coordination structures, while also establishing a new state of the art on the task of coordination analysis, with a 12.3 pts improvement in F1 over previous analyzers. Our OpenIE system, OpenIE6, beats the previous systems by as much as 4 pts in F1, while being much faster.
• Abstract（参考訳）: 最近の最先端のニューラルネットワークオープン情報抽出(openie)システムは、部分出力の繰り返しエンコーディングを必要とする反復的な抽出を生成する。 これはかなりの計算コストがかかる。 一方、OpenIEのシーケンスラベリングアプローチはより高速だが、抽出品質は悪くなっている。 本稿では,OpenIEの新たな技術状態を確立しつつ,10倍高速に抽出する反復ラベリングシステムを提案することにより,このトレードオフを橋渡しする。 これは、OpenIEを2Dグリッドラベリングタスクとして扱うIGL(Iterative Grid Labeling)アーキテクチャによって実現される。 トレーニング時にグリッドにカバレッジ(ソフト)制約を適用することで、パフォーマンスをさらに向上します。 さらに、調整構造を扱うのに最適なOpenIEシステムについても、同じIGLアーキテクチャで構築された新しい調整アナライザが組み込まれています。 このIGLベースのコーディネーションアナライザは、OpenIEシステムが複雑なコーディネーション構造を処理するのに役立ち、従来のアナライザよりも12.3 ptsのF1の改善を図りながら、コーディネーション解析のタスクに新たな技術状態を確立する。 当社のOpenIEシステムであるOpenIE6は、F1で4 ptsの速さで以前のシステムを打ち負かしています。

関連論文リスト

• OTOv3: Automatic Architecture-Agnostic Neural Network Training and Compression from Structured Pruning to Erasing Operators [57.145175475579315]
  このトピックは、構造化プルーニングからニューラルアーキテクチャサーチまで、さまざまなテクニックにまたがっている。 第3世代のOTOv3(Noth-Train-Once)を導入する。 我々は,構造化プルーニングとニューラルアーキテクチャ探索におけるOTOv3の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-15T00:22:55Z)
• LOKE: Linked Open Knowledge Extraction for Automated Knowledge Graph Construction [0.0]
  Wikidataナレッジグラフを用いた知識グラフ構築において,GPTモデルの利用とエンジニアリングの促進について検討する。 我々は,AllenAI の OpenIE 4 実装をOKE タスクで上回る,素直なエンティティリンク手法 (LOKE-GPT と呼ぶ) と組み合わせた,十分に設計されたプロンプトが,AllenAI の OpenIE 4 実装より優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-15T20:57:44Z)
• LasUIE: Unifying Information Extraction with Latent Adaptive Structure-aware Generative Language Model [96.889634747943]
  全ての典型的な情報抽出タスク(UIE)を1つの生成言語モデル(GLM)で普遍的にモデル化し、大きな可能性を明らかにした。 UIE のための構文知識のパワーを完全に解放する構造対応 GLM を提案する。 7つのタスクにわたるIEベンチマークが12以上あり、私たちのシステムはベースラインのUIEシステムよりも大幅に改善されていることを示しています。
  論文  参考訳（メタデータ） (2023-04-13T04:01:14Z)
• Towards Generalized Open Information Extraction [74.20080376460947]
  我々は、ソーストレーニングドメインと異なるデータ分布を持つ未確認対象ドメインを一般化する、より現実的なシナリオを提案する。 DragonIEは、ドメイン内設定とドメイン外設定の両方で、F1スコアの6.4%を絶対的に上回っている。
  論文  参考訳（メタデータ） (2022-11-29T07:33:44Z)
• MORE: A Metric Learning Based Framework for Open-domain Relation Extraction [25.149590577718996]
  オープンリレーション抽出(OpenRE)は、オープンドメインコーパスからリレーションスキームを抽出するタスクである。 我々はMORE(Metric Learning-based Open Relation extract)という新しい学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-01T07:51:20Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Fast Community Detection based on Graph Autoencoder Reconstruction [0.4129225533930965]
  グラフオートエンコーダ再構成(GAER)に基づくコミュニティ検出フレームワークを提案する。 グラフオートエンコーダをベースとしたワンステップ符号化を2段階符号化フレームワークに分解し,実世界のビッグデータシステムに適用する。 さらに、リアルタイムな大規模グラフに対するピア認識に基づくモジュールを提案し、新しいノードコミュニティ検出を高速に実現する。
  論文  参考訳（メタデータ） (2022-03-07T06:04:27Z)
• Retrieving and Reading: A Comprehensive Survey on Open-domain Question Answering [62.88322725956294]
  OpenQAの最近の研究動向を概観し、特にニューラルMSC技術を導入したシステムに注目した。 Retriever-Reader' と呼ばれる最新の OpenQA アーキテクチャを導入し、このアーキテクチャに従うさまざまなシステムを分析します。 次に、OpenQAシステムの開発における主要な課題について議論し、一般的に使用されるベンチマークの分析を提供する。
  論文  参考訳（メタデータ） (2021-01-04T04:47:46Z)

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。