論文の概要: A Context-Dependent Gated Module for Incorporating Symbolic Semantics into Event Coreference Resolution

• arxiv url: http://arxiv.org/abs/2104.01697v1
• Date: Sun, 4 Apr 2021 21:15:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:42:57.358689
• Title: A Context-Dependent Gated Module for Incorporating Symbolic Semantics into Event Coreference Resolution
• Title（参考訳）: シンボリックセマンティックスをイベント干渉分解に組み込む文脈依存型ゲーテッドモジュール
• Authors: Tuan Lai, Heng Ji, Trung Bui, Quan Hung Tran, Franck Dernoncourt, Walter Chang
• Abstract要約: イベントコアリファレンスの解決は、多くのアプリケーションで重要な研究問題です。 入力シンボルの特徴から情報の流れを適応的に制御する新しいコンテキスト依存ゲートモジュールを提案する。 私達の最もよいモデルは2つのデータセットの最先端の結果を達成します:ACE 2005およびKBP 2016。
• 参考スコア（独自算出の注目度）: 48.523260737869066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event coreference resolution is an important research problem with many applications. Despite the recent remarkable success of pretrained language models, we argue that it is still highly beneficial to utilize symbolic features for the task. However, as the input for coreference resolution typically comes from upstream components in the information extraction pipeline, the automatically extracted symbolic features can be noisy and contain errors. Also, depending on the specific context, some features can be more informative than others. Motivated by these observations, we propose a novel context-dependent gated module to adaptively control the information flows from the input symbolic features. Combined with a simple noisy training method, our best models achieve state-of-the-art results on two datasets: ACE 2005 and KBP 2016.
• Abstract（参考訳）: イベントコリファレンス解決は、多くのアプリケーションにおいて重要な研究課題である。 事前学習された言語モデルの最近の顕著な成功にもかかわらず、我々はそのタスクに象徴的特徴を利用するのは依然として非常に有益であると主張する。 しかし、コリファレンス解決のための入力は通常、情報抽出パイプラインの上流コンポーネントから来るため、自動的に抽出されたシンボリックな特徴はノイズとエラーを含む可能性がある。 また、特定のコンテキストによっては、いくつかの機能は他の機能よりも有益である。 そこで本研究では,入力の象徴的特徴から情報の流れを適応的に制御する新しいコンテキスト依存ゲートモジュールを提案する。 単純な雑音学習法と組み合わせて、私たちの最良のモデルは、ACE 2005とKBP 2016の2つのデータセットで最先端の結果を得る。

関連論文リスト

• SLAck: Semantic, Location, and Appearance Aware Open-Vocabulary Tracking [89.43370214059955]
  Open-vocabulary Multiple Object Tracking (MOT)は、トレーニングセットにはない新しいカテゴリにトラッカーを一般化することを目的としている。 我々は,連合の初期段階において,意味論,位置,出現の先行を共同で検討する統一的な枠組みを提案する。 提案手法は,異なるキューを融合するための複雑な後処理を排除し,大規模オープン語彙追跡のための関連性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-09-17T14:36:58Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Improving Input-label Mapping with Demonstration Replay for In-context Learning [67.57288926736923]
  In-context Learning (ICL)は、大規模な自己回帰言語モデルの出現する能力である。 Sliding Causal Attention (RdSca) と呼ばれる新しいICL法を提案する。 ICL実験において,本手法は入力ラベルマッピングを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-10-30T14:29:41Z)
• Symbol tuning improves in-context learning in language models [144.58397538701803]
  In-context input-label pairs におけるシンボルチューニング - 言語モデルを微調整する。 記号チューニングは、モデルが命令や自然言語ラベルを使ってタスクを把握できない場合、代わりに入力ラベルのマッピングを学習しなければならないという直感を利用する。 シンボルチューニングは、目に見えないコンテキスト内学習タスクのパフォーマンスを向上し、不特定なプロンプトに対してより堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-05-15T01:59:58Z)
• OSIC: A New One-Stage Image Captioner Coined [38.46732302316068]
  動的多視点学習を用いたワンステージ画像キャプタ(OSIC)を提案する。 リッチな特徴を得るためには、Swin Transformerを使ってマルチレベルの特徴を計算する。 キャプション用エンコーダのグローバルなモデリングを強化するために,新しい2次元精製モジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-04T08:50:09Z)
• On the Use of External Data for Spoken Named Entity Recognition [40.93448412171246]
  近年の自己教師型音声表現の進歩により,ラベル付きデータに制限のある学習モデルを考えることが可能になった。 自己学習、知識蒸留、トランスファーラーニングなど、さまざまなアプローチを採用し、エンドツーエンドモデルとパイプラインアプローチの両方に適用性を検討する。
  論文  参考訳（メタデータ） (2021-12-14T18:49:26Z)
• Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection [18.04185751827619]
  新規なオブジェクトのきめ細かい特徴を、ほんのわずかなデータで簡単に見落としてしまうため、オブジェクト検出は困難である。 本稿では,少数の検出問題に対処するために,DCNet (Context-aware Aggregation) を用いたDense Relation Distillationを提案する。
  論文  参考訳（メタデータ） (2021-03-30T05:34:49Z)
• Robust Document Representations using Latent Topics and Metadata [17.306088038339336]
  本稿では,文書分類問題に対する事前学習型ニューラルネットワークモデルの微調整手法を提案する。 テキストとメタデータの両方をタスク形式でキャプチャする文書表現を生成します。 私たちのソリューションでは、メタデータを単にテキストで拡張するのではなく、明示的に組み込んでいます。
  論文  参考訳（メタデータ） (2020-10-23T21:52:38Z)
• Probing Linguistic Features of Sentence-Level Representations in Neural Relation Extraction [80.38130122127882]
  ニューラルリレーション抽出(RE)に関連する言語特性を対象とした14の探索タスクを導入する。 私たちは、40以上の異なるエンコーダアーキテクチャと2つのデータセットでトレーニングされた言語的特徴の組み合わせによって学習された表現を研究するためにそれらを使用します。 アーキテクチャによって引き起こされるバイアスと言語的特徴の含意は、探索タスクのパフォーマンスにおいて明らかに表現されている。
  論文  参考訳（メタデータ） (2020-04-17T09:17:40Z)
• Joint Event Extraction along Shortest Dependency Paths using Graph Convolutional Networks [18.983377030545128]
  イベント抽出は、知識ベース、質問応答、情報検索、要約といったいくつかの領域に有用である。 テキストからイベント情報を抽出する問題は長続きし、通常、精巧に設計された語彙的・構文的特徴に依存している。 本稿では,複数のイベントトリガと引数を同時に抽出することを目的とした,新しいイベント抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-19T07:48:38Z)

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。