Fugu-MT 論文翻訳(概要): Counts@IITK at SemEval-2021 Task 8: SciBERT Based Entity And Semantic Relation Extraction For Scientific Data

論文の概要: Counts@IITK at SemEval-2021 Task 8: SciBERT Based Entity And Semantic Relation Extraction For Scientific Data

arxiv url: http://arxiv.org/abs/2104.01364v1
Date: Sat, 3 Apr 2021 09:47:51 GMT
ステータス: 処理完了
システム内更新日: 2021-04-06 14:45:24.674846
Title: Counts@IITK at SemEval-2021 Task 8: SciBERT Based Entity And Semantic Relation Extraction For Scientific Data
Title（参考訳）: Counts@IITK at SemEval-2021 Task 8: SciBERT based Entity and Semantic Relation extract for Scientific Data
Authors: Akash Gangwar, Sabhay Jain, Shubham Sourav, Ashutosh Modi
Abstract要約: 本稿では,SemEval 2021 Task 8(MeasEval)を提案する。 MeasEvalは、数量の検索に焦点を当てた新しいスパン抽出、分類、および関係抽出タスクです。
参考スコア（独自算出の注目度）: 1.869621561196521
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper presents the system for SemEval 2021 Task 8 (MeasEval). MeasEval is a novel span extraction, classification, and relation extraction task focused on finding quantities, attributes of these quantities, and additional information, including the related measured entities, properties, and measurement contexts. Our submitted system, which placed fifth (team rank) on the leaderboard, consisted of SciBERT with [CLS] token embedding and CRF layer on top. We were also placed first in Quantity (tied) and Unit subtasks, second in MeasuredEntity, Modifier and Qualifies subtasks, and third in Qualifier subtask.
Abstract（参考訳）: 本稿では,SemEval 2021 Task 8(MeasEval)を提案する。 MeasEvalは、量、それらの量の特徴、および関連する測定対象、特性、測定コンテキストを含む追加情報を見つけることに焦点を当てた、新しいスパン抽出、分類、関係抽出タスクである。 SciBERTには[CLS]トークンが埋め込まれ, CRF層が上部に配置されていた。また、Quantity (tied) と Unit subtasks も第2位、 MeasuredEntity, Modifier and Qualify subtasks は第3位、Qualifier subtask も第3位に位置づけました。

関連論文リスト

The Power of Summary-Source Alignments [62.76959473193149]
多文書要約(MDS)は難しい課題であり、しばしばサリエンスと冗長性検出のサブタスクに分解される。参照要約とそのソース文書間の対応する文のアライメントを利用して、トレーニングデータを生成する。本稿では,よりきめ細かな提案スパンレベルで適用することで,要約ソースアライメントフレームワークを拡張することを提案する。
論文参考訳（メタデータ） (2024-06-02T19:35:19Z)
Coupling Global Context and Local Contents for Weakly-Supervised Semantic Segmentation [54.419401869108846]
Weakly Supervised Semantic (WSSS)モデルを提案する。グローバルなオブジェクトコンテキストを異なる粒度空間でキャプチャするために,フレキシブルなコンテキストアグリゲーションモジュールを提案する。局所的な細粒度を集約するために、ボトムアップパラメータ学習可能な方法で意味的に一貫した特徴融合モジュールを提案する。
論文参考訳（メタデータ） (2023-04-18T15:29:23Z)
ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
学術論文からN-ary関係を抽出する問題について考察する。提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
論文参考訳（メタデータ） (2022-10-26T02:28:02Z)
Nowruz at SemEval-2022 Task 7: Tackling Cloze Tests with Transformers and Ordinal Regression [1.9078991171384017]
本稿では,チームがSemEval 2022 Task 7に参加したシステムについて概説する。
論文参考訳（メタデータ） (2022-04-01T16:36:10Z)
UPB at SemEval-2021 Task 8: Extracting Semantic Information on Measurements as Multi-Turn Question Answering [0.8315801422499861]
第8回SemEval-2021: Counts and Measurements(MeasEval)は、この方向の研究を促進することを目的としている。参加者がモデルのトレーニングを行い、科学的テキストから測定に関する有意義な情報を抽出するデータセット。我々の最高のパフォーマンスモデルは、テストセットで36.91%の重なり合うF1スコアを得た。
論文参考訳（メタデータ） (2021-04-09T18:23:30Z)
TechTexC: Classification of Technical Texts using Convolution and Bidirectional Long Short Term Memory Network [0.0]
3つの手法を用いて分類処理を行うための分類システム(TechTexC)を開発した。その結果,BiLSTMモデルを用いたCNNは,サブタスク (a,b,c,g) とタスク-2aのタスク-1に関する他の手法よりも優れていた。テストセットの場合、cnnとbilstmの併用により、サブタスク1a (70.76%), 1b (79.97%), 1c (65.45%), 1g (49.23%), 2a (70.14%) の精度が向上した。
論文参考訳（メタデータ） (2020-12-21T15:22:47Z)
ISCAS at SemEval-2020 Task 5: Pre-trained Transformers for Counterfactual Statement Modeling [48.3669727720486]
ISCASはSemEval 2020 Task 5の2つのサブタスクに参加した。本稿では,事前学習したトランスをベースとしたシステムについて述べる。
論文参考訳（メタデータ） (2020-09-17T09:28:07Z)
UPB at SemEval-2020 Task 6: Pretrained Language Models for Definition Extraction [0.17188280334580194]
本研究はSemEval-2020: Extracting Definitions from Free Text in Textbooksの6番目のタスクの文脈における我々の貢献を示す。様々な事前訓練された言語モデルを用いて、競技の3つのサブタスクのそれぞれを解決する。 DeftEvalデータセットで評価したベストパフォーマンスモデルは、第1サブタスクの32位、第2サブタスクの37位を得る。
論文参考訳（メタデータ） (2020-09-11T18:36:22Z)
CyberWallE at SemEval-2020 Task 11: An Analysis of Feature Engineering for Ensemble Models for Propaganda Detection [0.0]
Span Identification subtask ではバイLSTMアーキテクチャを使用し、Technical Classification subtask の複雑なアンサンブルモデルを訓練する。我々のシステムは、SIサブタスクで35チーム中8チーム、TCサブタスクで31チーム中8チームを達成する。
論文参考訳（メタデータ） (2020-08-22T15:51:16Z)
Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
論文参考訳（メタデータ） (2020-07-16T15:07:14Z)
Grounded Situation Recognition [56.18102368133022]
画像の構造的要約を生成することを必要とする課題であるグラウンドドコンディション認識(GSR)を導入する。 GSRはセマンティック・サリエンシの識別、大規模で多様なエンティティの分類とローカライズという重要な技術的課題を提示している。我々は,条件付きクエリ,視覚連鎖,接地型セマンティック・アウェアネス・イメージ検索の3つのモデルによって実現される3つの将来方向について,最初の知見を示す。
論文参考訳（メタデータ） (2020-03-26T17:57:52Z)

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。