論文の概要: CATE: CAusality Tree Extractor from Natural Language Requirements
- arxiv url: http://arxiv.org/abs/2107.10023v2
- Date: Thu, 22 Jul 2021 07:36:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 10:31:18.467895
- Title: CATE: CAusality Tree Extractor from Natural Language Requirements
- Title（参考訳）: CATE: 自然言語要求からの因果木エクストラクタ
- Authors: Noah Jadallah, Jannik Fischbach, Julian Frattini, and Andreas
Vogelsang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.770323346263174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal relations (If A, then B) are prevalent in requirements artifacts.
Automatically extracting causal relations from requirements holds great
potential for various RE activities (e.g., automatic derivation of suitable
test cases). However, we lack an approach capable of extracting causal
relations from natural language with reasonable performance. In this paper, we
present our tool CATE (CAusality Tree Extractor), which is able to parse the
composition of a causal relation as a tree structure. CATE does not only
provide an overview of causes and effects in a sentence, but also reveals their
semantic coherence by translating the causal relation into a binary tree. We
encourage fellow researchers and practitioners to use CATE at
https://causalitytreeextractor.com/
- Abstract（参考訳）: 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。
要件から因果関係を自動的に抽出することは、様々なRE活動(例えば、適切なテストケースの自動導出)において大きな可能性を秘めている。
しかし,自然言語からの因果関係を合理的な性能で抽出できる手法が欠如している。
本稿では,木構造としての因果関係の構成を解析できるツールCATE(CAusality Tree Extractor)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、因果関係を二分木に翻訳することで意味的一貫性を明らかにする。
私たちは同僚の研究者や実践者が https://causalitytreeextractor.com/ で CATE を使用するように勧めています。
関連論文リスト
- Beyond TreeSHAP: Efficient Computation of Any-Order Shapley Interactions
for Tree Ensembles [6.664930499708017]
シェープリー値(Shapley value, SV)は、予測の付加的特徴属性を定量化するための説明可能な人工知能(XAI)研究における概念である。
TreeSHAP-IQは木モデル予測のための任意の順序加法シャプリー相互作用を効率的に計算する手法である。
論文 参考訳（メタデータ） (2024-01-22T16:08:41Z) - CLadder: Assessing Causal Reasoning in Language Models [82.8719238178569]
我々は,大言語モデル (LLM) が因果関係をコヒーレントに説明できるかどうかを検討する。
ユデア・パールらによって仮定された「因果推論エンジン」にインスパイアされた、自然言語における因果推論という新たなNLPタスクを提案する。
論文 参考訳（メタデータ） (2023-12-07T15:12:12Z) - Probabilistic Tree-of-thought Reasoning for Answering
Knowledge-intensive Complex Questions [93.40614719648386]
大規模言語モデル(LLM)は、知識集約的な複雑な質問にチェーン・オブ・シント(CoT)推論で答えることができる。
最近の研究は、CoT推論を強化するための外部知識の回収に向けられている。
確率的ツリー・オブ・シント推論(ProbTree)という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-11-23T12:52:37Z) - More than Classification: A Unified Framework for Event Temporal
Relation Extraction [61.44799147458621]
イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。
イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。
本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-28T02:09:08Z) - Fine-Grained Causality Extraction From Natural Language Requirements
Using Recursive Neural Tensor Networks [4.3809778768125875]
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。
論文 参考訳（メタデータ） (2021-07-21T09:52:10Z) - Linguistic dependencies and statistical dependence [76.89273585568084]
文脈における単語の確率を推定するために,事前学習した言語モデルを用いる。
最大CPMI木は非文脈PMI推定値から抽出した木よりも言語的依存関係によく対応していることがわかった。
論文 参考訳（メタデータ） (2021-04-18T02:43:37Z) - 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) - Recursive Top-Down Production for Sentence Generation with Latent Trees [77.56794870399288]
自然および合成言語に対する文脈自由文法の生成特性をモデル化する。
潜伏二分木構造にN$の葉を持つ動的プログラミングアルゴリズムを提案する。
また,Multi30kデータセットを用いたドイツ語と英語の翻訳実験を行った。
論文 参考訳（メタデータ） (2020-10-09T17:47:16Z) - 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。