論文の概要: Weakly- and Semi-supervised Evidence Extraction

• arxiv url: http://arxiv.org/abs/2011.01459v1
• Date: Tue, 3 Nov 2020 04:05:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 03:50:05.335516
• Title: Weakly- and Semi-supervised Evidence Extraction
• Title（参考訳）: 弱弱・半教師付きエビデンス抽出
• Authors: Danish Pruthi, Bhuwan Dhingra, Graham Neubig, Zachary C. Lipton
• Abstract要約: 本稿では,エビデンス抽出の課題に対して,いくつかのエビデンスアノテーションと豊富な文書レベルラベルを組み合わせた新たな手法を提案する。 私たちのアプローチは、数百のエビデンスアノテーションでかなりの利益をもたらします。
• 参考スコア（独自算出の注目度）: 107.47661281843232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For many prediction tasks, stakeholders desire not only predictions but also supporting evidence that a human can use to verify its correctness. However, in practice, additional annotations marking supporting evidence may only be available for a minority of training examples (if available at all). In this paper, we propose new methods to combine few evidence annotations (strong semi-supervision) with abundant document-level labels (weak supervision) for the task of evidence extraction. Evaluating on two classification tasks that feature evidence annotations, we find that our methods outperform baselines adapted from the interpretability literature to our task. Our approach yields substantial gains with as few as hundred evidence annotations. Code and datasets to reproduce our work are available at https://github.com/danishpruthi/evidence-extraction.
• Abstract（参考訳）: 多くの予測タスクでは、利害関係者は予測だけでなく、その正確性を検証するために人間が使える証拠も望んでいる。 しかし、実際には、証拠を支持する追加のアノテーションは、(まったく利用可能であれば)少数のトレーニング例でしか利用できない。 本稿では,エビデンス抽出の課題として,エビデンスアノテーション(強固な半スーパービジョン)と豊富な文書レベルラベル(弱監督)を組み合わせる新しい手法を提案する。 提案手法は,エビデンスアノテーションを特徴とする2つの分類タスクを評価した結果,解釈可能性文献からタスクに適応したベースラインよりも優れていることがわかった。 私たちのアプローチは数百のエビデンスアノテーションでかなりの利益をもたらします。 私たちの作品を再現するためのコードとデータセットは、https://github.com/danishpruthi/evidence-extractionで利用可能です。

関連論文リスト

• Search, Examine and Early-Termination: Fake News Detection with Annotation-Free Evidences [32.11238363508177]
  我々は,Web 検索したアノテーションのない証拠から有用な情報を検索する textbfSEE という手法を提案する。 実験の結果,提案手法は最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-07-10T07:22:30Z)
• Salience Allocation as Guidance for Abstractive Summarization [61.31826412150143]
  本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。 SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
  論文  参考訳（メタデータ） (2022-10-22T02:13:44Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Fine-Grained Visual Entailment [51.66881737644983]
  そこで本稿では,テキストから画像への微粒な知識要素の論理的関係を予測することを目的として,このタスクの拡張を提案する。 従来の研究とは異なり、本手法は本質的に説明可能であり、異なるレベルの粒度で論理的予測を行う。 本手法は,手動でアノテートした知識要素のデータセットを用いて評価し,この課題に対して68.18%の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T16:09:38Z)
• Distantly-Supervised Evidence Retrieval Enables Question Answering without Evidence Annotation [19.551623461082617]
  オープンドメインの質問応答は、大きなコーパスから取得した証拠に基づいて質問に答える。 本稿では,大規模コーパスからモデルが証拠の発見を学べるかどうかを,モデル学習のための回答ラベルからのみ遠ざかって検討する。 我々は,最新のモデルから証拠を交互に発見し,最も可能性の高い証拠を学習するよう促すことにより,弱いレトリバーよりも反復的に改善する新しいアプローチ(DistDR)を提案する。
  論文  参考訳（メタデータ） (2021-10-10T20:01:27Z)
• Assisting the Human Fact-Checkers: Detecting All Previously Fact-Checked Claims in a Document [27.076320857009655]
  入力文書が与えられた場合、以前に事実確認されたクレームによって検証可能なクレームを含むすべての文を検出することを目的としている。 出力は文書文の再ランクリストであり、検証可能なものは可能な限り高くランク付けされる。 本分析は,テキストの類似性やスタンスをモデル化することの重要性を実証すると同時に,検索した事実チェックされたクレームの正確性も考慮する。
  論文  参考訳（メタデータ） (2021-09-14T13:46:52Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• SueNes: A Weakly Supervised Approach to Evaluating Single-Document Summarization via Negative Sampling [25.299937353444854]
  本研究は,参照要約の存在を伴わない,弱教師付き要約評価手法に対する概念実証研究である。 既存の要約データセットの大量データは、文書と破損した参照要約とのペアリングによってトレーニングのために変換される。
  論文  参考訳（メタデータ） (2020-05-13T15:40:13Z)
• Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
  ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。 テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
  論文  参考訳（メタデータ） (2020-04-21T16:54:57Z)

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。