論文の概要: Fine-Grained Causality Extraction From Natural Language Requirements
Using Recursive Neural Tensor Networks
- arxiv url: http://arxiv.org/abs/2107.09980v1
- Date: Wed, 21 Jul 2021 09:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:12:01.524414
- Title: Fine-Grained Causality Extraction From Natural Language Requirements
Using Recursive Neural Tensor Networks
- Title（参考訳）: Recursive Neural Tensor Networks を用いた自然言語要求からの細粒度因果抽出
- Authors: Jannik Fischbach, Tobias Springer, Julian Frattini, Henning Femmer,
Andreas Vogelsang, and Daniel Mendez
- Abstract要約: 本稿では,再帰的ニューラルネットワークに基づく微粒な因果抽出器を提案する。
我々のアプローチは、自然言語で書かれた因果文の合成を回復することができる。
- 参考スコア（独自算出の注目度）: 4.3809778768125875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: [Context:] Causal relations (e.g., If A, then B) are prevalent in functional
requirements. For various applications of AI4RE, e.g., the automatic derivation
of suitable test cases from requirements, automatically extracting such causal
statements are a basic necessity. [Problem:] We lack an approach that is able
to extract causal relations from natural language requirements in fine-grained
form. Specifically, existing approaches do not consider the combinatorics
between causes and effects. They also do not allow to split causes and effects
into more granular text fragments (e.g., variable and condition), making the
extracted relations unsuitable for automatic test case derivation. [Objective &
Contributions:] We address this research gap and make the following
contributions: First, we present the Causality Treebank, which is the first
corpus of fully labeled binary parse trees representing the composition of
1,571 causal requirements. Second, we propose a fine-grained causality
extractor based on Recursive Neural Tensor Networks. Our approach is capable of
recovering the composition of causal statements written in natural language and
achieves a F1 score of 74 % in the evaluation on the Causality Treebank. Third,
we disclose our open data sets as well as our code to foster the discourse on
the automatic extraction of causality in the RE community.
- Abstract（参考訳）: [コンテキスト:] 因果関係(例えば、A ならば B)は、機能的要求において一般的である。
AI4REの様々な応用、例えば、適切なテストケースを要件から自動的に導出し、そのような因果的ステートメントを自動的に抽出することが基本的な必要性である。
[problem:] きめ細かな形で自然言語要件から因果関係を抽出することのできるアプローチに欠けています。
具体的には、既存のアプローチは原因と効果の組合せを考慮していない。
また、原因や効果をより粒度の細かいテキスト断片(変数や条件など)に分割することはできず、抽出された関係は自動テストケースの導出には適さない。
目的とコントリビューション:] この研究ギャップに対処し、以下の貢献をする。 まず、完全なラベル付きバイナリパースツリーの最初のコーパスであるCausality Treebankを紹介します。
次に,再帰型ニューラルテンソルネットワークに基づく微粒化因果抽出器を提案する。
提案手法は,自然言語で記述した因果文の合成を復元し,因果木バンクの評価においてF1スコアが74 %に達する。
第3に,オープンデータセットとコードを公開し,reコミュニティにおける因果関係の自動抽出に関する議論を促進する。
関連論文リスト
- Zero-shot Causal Graph Extrapolation from Text via LLMs [50.596179963913045]
我々は,自然言語から因果関係を推定する大規模言語モデル (LLM) の能力を評価する。
LLMは、(特別な)トレーニングサンプルを必要とせずにペア関係のベンチマークで競合性能を示す。
我々は、反復的なペアワイズクエリを通して因果グラフを外挿するアプローチを拡張した。
論文 参考訳（メタデータ） (2023-12-22T13:14:38Z) - Automatic extraction of cause-effect-relations from requirements
artifacts [1.7460203748047738]
我々は,要求工学の文脈における統語的基準に基づいて,対話的因果抽出の価値を理解することを目的とする。
評価では,18の要件文書から4457の自然言語文を分析し,そのうち558が因果関係であった。
要求文書の最良の評価は、平均して48.57%の因果効果グラフを自動抽出することであった。
論文 参考訳（メタデータ） (2023-12-12T05:05:47Z) - A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。
我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
論文 参考訳（メタデータ） (2023-11-27T17:40:02Z) - Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。
本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。
2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
論文 参考訳（メタデータ） (2023-08-24T16:06:36Z) - 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) - The Geometry of Causality [0.0]
我々は因果関係、非局所性、文脈性の研究のための統一的な枠組みを提供する。
我々は、入力履歴の任意の空間と入力コンテキストの任意の選択について、因果関係を定義する。
任意の因果制約に対して因果分離性の概念を導入する。
論文 参考訳（メタデータ） (2023-03-16T01:11:47Z) - CATE: CAusality Tree Extractor from Natural Language Requirements [4.770323346263174]
因果関係(A ならば B)は要求アーティファクトでよく見られる。
本稿では,木構造として因果関係の構成を解析できるツールCATEを提案する。
CATEは、文における原因と効果の概要を提供するだけでなく、意味的一貫性を明らかにする。
論文 参考訳（メタデータ） (2021-07-21T11:37:31Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - A Survey on Extraction of Causal Relations from Natural Language Text [9.317718453037667]
因果関係はテキストに頻繁に現れ、テキストから因果関係を計算することで、予測タスクのための因果関係を構築するのに役立つ。
既存の因果抽出技術には、知識ベース、統計機械学習(ML)ベース、深層学習ベースアプローチなどがある。
論文 参考訳（メタデータ） (2021-01-16T10:49:39Z) - Algorithms for Causal Reasoning in Probability Trees [13.572630988699572]
離散確率木における因果推論のための具体的なアルゴリズムを提案する。
我々の研究は因果推論の領域を非常に一般的な離散過程のクラスへと拡張する。
論文 参考訳（メタデータ） (2020-10-23T08:51:52Z) - Please Mind the Root: Decoding Arborescences for Dependency Parsing [67.71280539312536]
我々はUniversal Dependency Treebankから多くの言語における最先端の出力を分析する。
最悪の制約違反率は24%です。
論文 参考訳（メタデータ） (2020-10-06T08:31:14Z)
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。