論文の概要: Probing and Fine-tuning Reading Comprehension Models for Few-shot Event Extraction

• arxiv url: http://arxiv.org/abs/2010.11325v1
• Date: Wed, 21 Oct 2020 21:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-05 00:09:18.800182
• Title: Probing and Fine-tuning Reading Comprehension Models for Few-shot Event Extraction
• Title（参考訳）: ファウショットイベント抽出のための探索・微調整読解モデル
• Authors: Rui Feng, Jie Yuan, Chao Zhang
• Abstract要約: イベント抽出のための読解フレームワークを提案する。 適切なクエリテンプレートを構築することで,タスクやラベルのセマンティクスに関する豊富な知識を効果的に抽出することができる。 本手法は,ACE 2005ベンチマークにおいて,全監督訓練を行った場合の最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 17.548548562222766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study the problem of event extraction from text data, which requires both detecting target event types and their arguments. Typically, both the event detection and argument detection subtasks are formulated as supervised sequence labeling problems. We argue that the event extraction models so trained are inherently label-hungry, and can generalize poorly across domains and text genres.We propose a reading comprehension framework for event extraction.Specifically, we formulate event detection as a textual entailment prediction problem, and argument detection as a question answer-ing problem. By constructing proper query templates, our approach can effectively distill rich knowledge about tasks and label semantics from pretrained reading comprehension models. Moreover, our model can be fine-tuned with a small amount of data to boost its performance. Our experiment results show that our method performs strongly for zero-shot and few-shot event extraction, and it achieves state-of-the-art performance on the ACE 2005 benchmark when trained with full supervision.
• Abstract（参考訳）: 本研究では,テキストデータからイベントを抽出する場合の問題点について検討する。 通常、イベント検出と引数検出の両方のサブタスクは教師付きシーケンスラベリング問題として定式化される。 我々は,これらのイベント抽出モデルが本質的にラベルハングリーであり,ドメインやテキストジャンルをまたいだ一般化が困難であることを論じ,イベント抽出のための読解フレームワークを提案し,特に,イベント検出をテキスト・エンテーメント・予測問題として定式化し,議論検出を質問応答問題として定式化する。 適切なクエリテンプレートを構築することで,事前学習された読解モデルからタスクに関する豊富な知識とラベルセマンティクスを効果的に抽出することができる。 さらに,本モデルでは,少量のデータで微調整を行い,性能を向上する。 実験の結果,本手法はゼロショットイベント抽出と少数ショットイベント抽出に有効であり,全監督訓練を行った場合,ACE 2005ベンチマークの最先端性能を実現する。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Semantic Pivoting Model for Effective Event Detection [19.205550116466604]
  Event Detectionは、構造化されていない記事からイベントインスタンスの参照を識別し、分類することを目的としている。 イベント検出の既存のテクニックは、イベントタイプクラスを表現するために、均質な1ホットベクトルのみを使用しており、型の意味がタスクにとって重要であるという事実を無視している。 本稿では,学習中の事前情報を明示的に組み込んで,入力とイベント間の意味的に意味のある相関関係を捉えるセマンティック・ピロリング・モデル(SPEED)を提案する。
  論文  参考訳（メタデータ） (2022-11-01T19:20:34Z)
• Trigger-free Event Detection via Derangement Reading Comprehension [4.728684358207039]
  イベント検出は、テキストからイベントを検出し、それらを分類することを目的としている。 本稿では,機械読み取り(DRC)フレームワーク上での分散機構によるトリガフリーED手法を提案する。 提案するトリガフリーEDモデルは,主流のトリガベースモデルと極めて競合することを示す。
  論文  参考訳（メタデータ） (2022-08-20T11:01:39Z)
• Unifying Event Detection and Captioning as Sequence Generation via Pre-Training [53.613265415703815]
  本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。 我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
  論文  参考訳（メタデータ） (2022-07-18T14:18:13Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding [51.57864297948228]
  本稿では,自然言語クエリとしてイベントタイプと引数ロールを取り入れた新しいイベント抽出フレームワークを提案する。 我々のフレームワークは、イベントタイプや引数ロールと入力テキストとのセマンティックな相関をよりよく捉えるための注意機構の恩恵を受ける。
  論文  参考訳（メタデータ） (2021-10-14T15:49:40Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Unsupervised Label-aware Event Trigger and Argument Classification [73.86358632937372]
  まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。 事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。 我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
  論文  参考訳（メタデータ） (2020-12-30T17:47:24Z)
• Document-level Event Extraction with Efficient End-to-end Learning of Cross-event Dependencies [37.96254956540803]
  本稿では,構造化予測アルゴリズムであるDeep Value Networks (DVN) を利用したエンドツーエンドモデルを提案する。 提案手法はACE05上でのCRFモデルに匹敵する性能を達成し,計算効率は極めて高い。
  論文  参考訳（メタデータ） (2020-10-24T05:28:16Z)
• Event Extraction by Answering (Almost) Natural Questions [40.13163091122463]
  質問応答(QA)タスクとして定式化することで,イベント抽出のための新しいパラダイムを導入する。 実験結果から,我々のフレームワークは先行手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-04-28T16:15:46Z)

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。