論文の概要: Paragraph-level Rationale Extraction through Regularization: A case
study on European Court of Human Rights Cases
- arxiv url: http://arxiv.org/abs/2103.13084v1
- Date: Wed, 24 Mar 2021 10:58:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 18:02:29.495114
- Title: Paragraph-level Rationale Extraction through Regularization: A case
study on European Court of Human Rights Cases
- Title(参考訳): 正規化による段落単位の合理的抽出--欧州人権裁判所を事例として
- Authors: Ilias Chalkidis, Manos Fergadiotis, Dimitrios Tsarapatsanis, Nikolaos
Aletras, Ion Androutsopoulos and Prodromos Malakasiotis
- Abstract要約: 我々は,単語レベルの有理性に着目した主流文献とは対照的に,多項構造裁判所の場合において,選択した段落として有理性を判断する法文の新たな適用法を導入する。
また、パラグラフレベルの合理性のためのアノテーションを含む欧州人権裁判所のケースで構成される新しいデータセットもリリースします。
以上の結果から,これらの制約の一部は段落レベルの合理性抽出において有益ではないことが示唆された。
- 参考スコア(独自算出の注目度): 17.30286859511143
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Interpretability or explainability is an emerging research field in NLP. From
a user-centric point of view, the goal is to build models that provide proper
justification for their decisions, similar to those of humans, by requiring the
models to satisfy additional constraints. To this end, we introduce a new
application on legal text where, contrary to mainstream literature targeting
word-level rationales, we conceive rationales as selected paragraphs in
multi-paragraph structured court cases. We also release a new dataset
comprising European Court of Human Rights cases, including annotations for
paragraph-level rationales. We use this dataset to study the effect of already
proposed rationale constraints, i.e., sparsity, continuity, and
comprehensiveness, formulated as regularizers. Our findings indicate that some
of these constraints are not beneficial in paragraph-level rationale
extraction, while others need re-formulation to better handle the multi-label
nature of the task we consider. We also introduce a new constraint,
singularity, which further improves the quality of rationales, even compared
with noisy rationale supervision. Experimental results indicate that the newly
introduced task is very challenging and there is a large scope for further
research.
- Abstract(参考訳): 解釈可能性(英: Interpretability)または説明可能性(英: explainability)は、NLPにおける新たな研究分野である。
ユーザ中心の観点では、目標は、モデルに追加の制約を満たすように要求することで、人間と同じような意思決定の正当な正当化を提供するモデルを構築することです。
そこで本稿では,単語レベルの論理を主軸とする主流文献とは対照的に,多項構造裁判所における選択項として有理性を考察する。
また、段落レベルの合理性に関する注釈を含む欧州人権裁判所事件を含む新たなデータセットを公表する。
このデータセットを用いて、すでに提案されている合理性制約、すなわち正規化子として定式化されたスパース性、連続性、包括性の効果を研究する。
以上の結果から,これらの制約の一部は段落レベルの合理性抽出において有益ではないことが示唆された。
また, 有理性の質をさらに向上させる新たな制約である特異性(singularity)を導入する。
実験結果から,新たに導入した課題は非常に困難であり,さらなる研究の範囲が広いことが示唆された。
関連論文リスト
- Rethinking State Disentanglement in Causal Reinforcement Learning [78.12976579620165]
因果性は、根底にある状態が識別可能性によって一意に回復できることを保証するための厳密な理論的支援を提供する。
我々はこの研究ラインを再考し、RL固有のコンテキストを取り入れることで、潜在状態に対する以前の識別可能性分析における不要な仮定を低減できることを示した。
本稿では, 従来手法の複雑な構造制約を, 遷移と報酬保存の2つの簡単な制約に置き換えることにより, 一般に部分的に観測可能なマルコフ決定過程(POMDP)を提案する。
論文 参考訳(メタデータ) (2024-08-24T06:49:13Z) - FENICE: Factuality Evaluation of summarization based on Natural language Inference and Claim Extraction [85.26780391682894]
自然言語推論とクレーム抽出(FENICE)に基づく要約のファクチュアリティ評価を提案する。
FENICEは、ソース文書内の情報と、要約から抽出されたクレームと呼ばれる一連の原子的事実との間のNLIベースのアライメントを利用する。
我々の測定基準は、事実性評価のためのデファクトベンチマークであるAGGREFACTに関する新しい技術状況を設定する。
論文 参考訳(メタデータ) (2024-03-04T17:57:18Z) - Coherent Entity Disambiguation via Modeling Topic and Categorical
Dependency [87.16283281290053]
従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。
本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。
我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
論文 参考訳(メタデータ) (2023-11-06T16:40:13Z) - DetermLR: Augmenting LLM-based Logical Reasoning from Indeterminacy to Determinacy [76.58614128865652]
非決定性から決定性への進化として推論過程を再考する新しい視点であるDetermLRを提案する。
まず、既知の条件を次の2つのタイプに分類する: 決定的および不決定的前提 これは、推論プロセスのオール方向を提供し、不決定的データを段階的決定的洞察に変換する際のLCMを導く。
我々は、利用可能な施設の保存と抽出、推論メモリによる推論パスの自動化、そしてその後の推論ステップに関する歴史的推論の詳細を保存する。
論文 参考訳(メタデータ) (2023-10-28T10:05:51Z) - Towards Trustworthy Explanation: On Causal Rationalization [9.48539398357156]
本研究では,2つの因果デシラタに基づく合理化モデルを提案する。
提案した因果合理化の優れた性能は,実世界のレビューや医療データセットで実証されている。
論文 参考訳(メタデータ) (2023-06-25T03:34:06Z) - CREST: A Joint Framework for Rationalization and Counterfactual Text
Generation [5.606679908174783]
我々は選択的合理化と対実テキスト生成のためのフレームワークであるCREST(ContRastive Edits with Sparse raTionalization)を紹介する。
CRESTは、従来の方法よりも自然な有効な偽物を生成する。
CRESTのカウンターファクトを利用して選択的論理を規則化する新たな損失関数は、モデルの堅牢性と合理性の両方を改善します。
論文 参考訳(メタデータ) (2023-05-26T16:34:58Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳(メタデータ) (2023-05-12T00:13:17Z) - Entity Disambiguation with Entity Definitions [50.01142092276296]
ローカルモデルはEntity Disambiguation (ED)で最近驚くべきパフォーマンスを達成した
それまでの研究は、各候補者のテキスト表現として、ウィキペディアのタイトルのみを使うことに限られていた。
本稿では、この制限に対処し、より表現力のあるテキスト表現がそれを緩和できる範囲について検討する。
提案する6つのベンチマークのうち2つに新たな技術の現状を報告し,未知のパターンに対する一般化能力を強く改善する。
論文 参考訳(メタデータ) (2022-10-11T17:46:28Z) - A Framework for Authorial Clustering of Shorter Texts in Latent Semantic
Spaces [4.18804572788063]
著者クラスタリングは、著者の執筆スタイルや主題的好みの事前の肯定的な例のない、同一の著者または著者のチームによって書かれた文書をグループ化する。
非パラメトリックなトピックモデリングから導出した潜在特徴空間におけるコンパクトなデータ表現を利用する高レベルフレームワークを提案する。
3つの言語と2つのジャンルで120個のコレクションを実験し、トピックベースの潜在機能空間が有望なパフォーマンスを提供することを示す。
論文 参考訳(メタデータ) (2020-11-30T17:39:44Z) - Beyond Individualized Recourse: Interpretable and Interactive Summaries
of Actionable Recourses [14.626432428431594]
本稿では,Actionable Recourse Agnostic (AReS) と呼ばれる新しいモデルフレームワークを提案する。
説明文の正当性と解釈可能性の両面を同時に最適化する新たな目的を定式化する。
当社のフレームワークは,ブラックボックスモデルに対応するリコースの包括的概要を意思決定者に提供する。
論文 参考訳(メタデータ) (2020-09-15T15:14:08Z) - Experiments in Extractive Summarization: Integer Linear Programming,
Term/Sentence Scoring, and Title-driven Models [1.3286165491120467]
我々は,新たなフレームワークであるNewsSummについて述べる。このフレームワークには,ILPやタイトル駆動アプローチを含む,要約のための既存および新しいアプローチが多数含まれている。
本稿では,新しいタイトル駆動型リダクションのアイデアが,教師なしアプローチと教師なしアプローチの両方において,性能の向上につながることを示す。
論文 参考訳(メタデータ) (2020-08-01T01:05:55Z)
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。