論文の概要: Cross-Domain Contract Element Extraction with a Bi-directional Feedback Clause-Element Relation Network

• arxiv url: http://arxiv.org/abs/2105.06083v1
• Date: Thu, 13 May 2021 05:14:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 13:55:24.179457
• Title: Cross-Domain Contract Element Extraction with a Bi-directional Feedback Clause-Element Relation Network
• Title（参考訳）: 双方向フィードバッククロース-要素関係ネットワークを用いたクロスドメイン契約要素抽出
• Authors: Zihan Wang, Hongye Song, Zhaochun Ren, Pengjie Ren, Zhumin Chen, Xiaozhong Liu, Hongsong Li, Maarten de Rijke
• Abstract要約: クロスドメイン契約要素抽出タスクに対して双方向フィードバックcLause-Element relaTionネットワーク(Bi-FLEET)を提案する。 Bi-FLEETには、(1)コンテキストエンコーダ、(2)節-要素関係エンコーダ、(3)推論層という3つの主要なコンポーネントがある。 クロスドメインNERとCEEの両方のタスクに対する実験結果から、Bi-FLEETは最先端のベースラインを大きく上回ることが示された。
• 参考スコア（独自算出の注目度）: 70.00960496773938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contract element extraction (CEE) is the novel task of automatically identifying and extracting legally relevant elements such as contract dates, payments, and legislation references from contracts. Automatic methods for this task view it as a sequence labeling problem and dramatically reduce human labor. However, as contract genres and element types may vary widely, a significant challenge for this sequence labeling task is how to transfer knowledge from one domain to another, i.e., cross-domain CEE. Cross-domain CEE differs from cross-domain named entity recognition (NER) in two important ways. First, contract elements are far more fine-grained than named entities, which hinders the transfer of extractors. Second, the extraction zones for cross-domain CEE are much larger than for cross-domain NER. As a result, the contexts of elements from different domains can be more diverse. We propose a framework, the Bi-directional Feedback cLause-Element relaTion network (Bi-FLEET), for the cross-domain CEE task that addresses the above challenges. Bi-FLEET has three main components: (1) a context encoder, (2) a clause-element relation encoder, and (3) an inference layer. To incorporate invariant knowledge about element and clause types, a clause-element graph is constructed across domains and a hierarchical graph neural network is adopted in the clause-element relation encoder. To reduce the influence of context variations, a multi-task framework with a bi-directional feedback scheme is designed in the inference layer, conducting both clause classification and element extraction. The experimental results over both cross-domain NER and CEE tasks show that Bi-FLEET significantly outperforms state-of-the-art baselines.
• Abstract（参考訳）: 契約要素抽出(CEE)は、契約日、支払い、契約からの法律参照などの法的に関係のある要素を自動的に識別し、抽出する新しいタスクである。 このタスクの自動メソッドは、シーケンスラベリング問題と見なし、人的労力を劇的に削減する。 しかしながら、契約のジャンルや要素のタイプが多種多様であるため、このシーケンスラベリングタスクの重要な課題は、あるドメインから別のドメイン、すなわちクロスドメインceeへの知識の転送方法である。 ドメイン間CEEは2つの重要な方法でドメイン間の名前付きエンティティ認識(NER)とは異なる。 まず、コントラクト要素は名前付きエンティティよりもはるかにきめの細かい要素であり、抽出子の転送を妨げる。 第2に、クロスドメインCEEの抽出ゾーンはクロスドメインNERよりもはるかに大きい。 その結果、異なるドメインの要素のコンテキストはより多様になる。 上記の課題に対処するクロスドメインCEEタスクに対して、双方向フィードバックcLause-Element relaTionネットワーク(Bi-FLEET)を提案する。 Bi-FLEETには、(1)コンテキストエンコーダ、(2)節-要素関係エンコーダ、(3)推論層という3つの主要なコンポーネントがある。 要素タイプと節タイプに関する不変知識を組み込むため、節要素グラフをドメイン間で構成し、節要素関係エンコーダに階層グラフニューラルネットワークを採用する。 文脈変動の影響を低減するため、双方向フィードバックスキームを有するマルチタスクフレームワークを推論層に設計し、節分類と要素抽出の両方を行う。 クロスドメインNERとCEEの両方のタスクに対する実験結果から、Bi-FLEETは最先端のベースラインを大きく上回ることが示された。

関連論文リスト

• Label Alignment and Reassignment with Generalist Large Language Model for Enhanced Cross-Domain Named Entity Recognition [0.0]
  ドメイン間の名前付きエンティティ認識は、ほとんどのNERメソッドで依然として課題となっている。 この問題に対処するため,ラベルアライメントと再割り当てアプローチ,すなわちLARを導入する。 我々は、教師付きシナリオとゼロショットシナリオの両方を含むNERデータセットに対して、幅広い実験を行う。
  論文  参考訳（メタデータ） (2024-07-24T15:13:12Z)
• Learning with Alignments: Tackling the Inter- and Intra-domain Shifts for Cross-multidomain Facial Expression Recognition [16.864390181629044]
  本稿では、ドメイン間のシフトとドメイン内シフトの両方を扱うための、LA-CMFERという新しいラーニング・ウィズ・アライメント・CMFERフレームワークを提案する。 これに基づいて、LA-CMFERは、知識伝達におけるハード・トゥ・アライメント・サンプルの優先順位付けをモデルに強制する二重レベル領域間アライメント法を提案する。 ドメイン内シフトに対処するため、LA-CMFERは複数ビューの整合性制約を持つ複数ビューのドメイン内アライメント手法を導入した。
  論文  参考訳（メタデータ） (2024-07-08T07:43:06Z)
• Joint Identifiability of Cross-Domain Recommendation via Hierarchical Subspace Disentanglement [19.29182848154183]
  CDR(Cross-Domain Recommendation)はドメイン間の効果的な知識伝達を実現する。 CDRは、ユーザ表現を2つのドメインにまたがる共同分布として記述するが、これらの方法は、その共同識別可能性を考慮していない。 本稿では,階層的部分空間のアンタングル化手法を提案し,ドメイン間結合分布の結合識別可能性について検討する。
  論文  参考訳（メタデータ） (2024-04-06T03:11:31Z)
• Semantic Connectivity-Driven Pseudo-labeling for Cross-domain Segmentation [89.41179071022121]
  自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。 本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。 このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
  論文  参考訳（メタデータ） (2023-12-11T12:29:51Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis [68.742820522137]
  クロスドメインアスペクトベースの感情分析(ABSA)は、ソースドメインから知識を伝達することで、ターゲットドメイン上で様々なきめ細かい感情分析タスクを実行することを目的としている。 本稿では,多様なドメイン間ABSAタスクに対処するための統合双方向生成フレームワークを提案する。 我々のフレームワークは、テキストからラベルまでの方向とラベルからテキストへの方向の両方で生成モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-16T15:02:23Z)
• Subsidiary Prototype Alignment for Universal Domain Adaptation [58.431124236254]
  Universal Domain Adaptation (UniDA)の大きな問題は、"known"クラスと"unknown"クラスの誤調整である。 ゴールタスクUniDAと協調して動作するクローズドセットSPAを実現するために,新しい単語ヒストグラム関連プレテキストタスクを提案する。 既存のUniDA技術上でのアプローチの有効性を実証し,3つの標準UniDAおよびOpen-Set DAオブジェクト認識ベンチマークの最先端性能を示す。
  論文  参考訳（メタデータ） (2022-10-28T05:32:14Z)
• DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
  セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。 我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。 我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
  論文  参考訳（メタデータ） (2022-07-20T15:47:34Z)
• CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation [44.06904757181245]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインから異なるラベル付きターゲットドメインに学習した知識を転送することを目的としている。 カテゴリレベルに基づくUDAの根本的な問題は、ターゲットドメインのサンプル用の擬似ラベルの生成である。 我々は,対象サンプルの擬似ラベルを生成するために,双方向中心認識ラベルアルゴリズムを設計する。 擬似ラベルとともに、ソース/ターゲット特徴学習とソース/ターゲット領域アライメントに自己アテンションとクロスアテンションを適用するために、ウェイトシェアリング・トリプルブランチ・トランスフォーマー・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-13T17:59:07Z)

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。