論文の概要: Classifying Argumentative Relations Using Logical Mechanisms and Argumentation Schemes

• arxiv url: http://arxiv.org/abs/2105.07571v1
• Date: Mon, 17 May 2021 01:41:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:51:15.199272
• Title: Classifying Argumentative Relations Using Logical Mechanisms and Argumentation Schemes
• Title（参考訳）: 論理機構と議論スキームを用いた議論関係の分類
• Authors: Yohan Jo, Seojin Bang, Chris Reed, Eduard Hovy
• Abstract要約: 4つの論理・理論に基づく2つの文間の関係を分類する。 これらの論理機構の操作性は,関係にラベルづけされたデータを直接トレーニングすることなく,議論的関係を分類できることを実証する。
• 参考スコア（独自算出の注目度）: 6.212955085775758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While argument mining has achieved significant success in classifying argumentative relations between statements (support, attack, and neutral), we have a limited computational understanding of logical mechanisms that constitute those relations. Most recent studies rely on black-box models, which are not as linguistically insightful as desired. On the other hand, earlier studies use rather simple lexical features, missing logical relations between statements. To overcome these limitations, our work classifies argumentative relations based on four logical and theory-informed mechanisms between two statements, namely (i) factual consistency, (ii) sentiment coherence, (iii) causal relation, and (iv) normative relation. We demonstrate that our operationalization of these logical mechanisms classifies argumentative relations without directly training on data labeled with the relations, significantly better than several unsupervised baselines. We further demonstrate that these mechanisms also improve supervised classifiers through representation learning.
• Abstract（参考訳）: 議論マイニングは文間の議論的関係(サポート、攻撃、中立)を分類することに成功したが、それらの関係を構成する論理的メカニズムの計算的理解は限られている。 最近の研究はブラックボックスモデルに依存しており、言語学的には望まれない。 一方、初期の研究では、文間の論理的関係を欠いた、比較的単純な語彙的特徴を用いていた。 これらの制約を克服するために、我々の研究は、(i)事実整合性、(ii)感情コヒーレンス、(iii)因果関係、および(iv)規範関係という2つの文の間の4つの論理的・理論的インフォームド機構に基づいて議論的関係を分類する。 我々は,これらの論理機構の運用により,関係にラベル付けされたデータを直接訓練することなく,議論的関係を分類できることを実証した。 さらに,これらのメカニズムは,表現学習による教師付き分類器も改善することを示す。

関連論文リスト

• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• 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)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• Exploring Discourse Structures for Argument Impact Classification [48.909640432326654]
  本稿では、文脈経路に沿った2つの議論間の談話関係が、議論の説得力を特定する上で不可欠な要素であることを実証的に示す。 本研究では,文レベルの構造情報を大規模言語モデルから派生した文脈的特徴に注入・融合するDisCOCを提案する。
  論文  参考訳（メタデータ） (2021-06-02T06:49:19Z)
• Topology-Aware Correlations Between Relations for Inductive Link Prediction in Knowledge Graphs [41.38172189254483]
  TACTは、2つの関係間の意味的相関がそれらのトポロジカルナレッジグラフと非常に相関しているという観測に触発される。 関係対を複数のトポロジ的パターンに分類し、相関ネットワーク(RCN)の構造を提案し、帰納的リンク予測における異なるパターンの重要性を学習する。 実験では、TACTが関係間のセマンティック相関を効果的にモデル化し、ベンチマークデータセット上の既存の最先端の方法を大幅に上回ることが示されています。
  論文  参考訳（メタデータ） (2021-03-05T13:00:10Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• High-order Semantic Role Labeling [86.29371274587146]
  本稿では,ニューラルセマンティックロールラベリングモデルのための高階グラフ構造を提案する。 これにより、モデルは孤立述語-引数対だけでなく、述語-引数対間の相互作用も明示的に考慮することができる。 CoNLL-2009ベンチマークの7つの言語に対する実験結果から、高次構造学習技術は強力なSRLモデルに有益であることが示された。
  論文  参考訳（メタデータ） (2020-10-09T15:33:54Z)

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。