論文の概要: Uncovering Main Causalities for Long-tailed Information Extraction

• arxiv url: http://arxiv.org/abs/2109.05213v1
• Date: Sat, 11 Sep 2021 08:08:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-18 14:19:29.971019
• Title: Uncovering Main Causalities for Long-tailed Information Extraction
• Title（参考訳）: ロングテール情報抽出の主な因果関係を明らかにする
• Authors: Guoshun Nan, Jiaqi Zeng, Rui Qiao, Zhijiang Guo and Wei Lu
• Abstract要約: データセットの選択バイアスによって引き起こされる長い尾の分布は、誤った相関をもたらす可能性がある。 これは、データの背後にある主な因果関係を明らかにすることを目的とした、新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 14.39860866665021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information Extraction (IE) aims to extract structural information from unstructured texts. In practice, long-tailed distributions caused by the selection bias of a dataset, may lead to incorrect correlations, also known as spurious correlations, between entities and labels in the conventional likelihood models. This motivates us to propose counterfactual IE (CFIE), a novel framework that aims to uncover the main causalities behind data in the view of causal inference. Specifically, 1) we first introduce a unified structural causal model (SCM) for various IE tasks, describing the relationships among variables; 2) with our SCM, we then generate counterfactuals based on an explicit language structure to better calculate the direct causal effect during the inference stage; 3) we further propose a novel debiasing approach to yield more robust predictions. Experiments on three IE tasks across five public datasets show the effectiveness of our CFIE model in mitigating the spurious correlation issues.
• Abstract（参考訳）: 情報抽出(IE)は、構造化されていないテキストから構造情報を抽出することを目的としている。 実際には、データセットの選択バイアスによって引き起こされるロングテール分布は、従来の可能性モデルにおけるエンティティとラベルの間の不正確な相関(スプリアス相関とも呼ばれる)につながる可能性がある。 これは、因果推論の観点からデータの背後にある主な因果関係を明らかにすることを目的とした新しいフレームワークである。 具体的には 1) 変数間の関係を記述した各種IEタスクのための統一構造因果モデル(SCM)を最初に導入する。 2) 本scmでは, 推論段階で直接因果効果をよりよく計算するために, 明示的な言語構造に基づく反事実を生成する。 3) よりロバストな予測を実現するための新しいデバイアス手法を提案する。 5つの公開データセットにわたる3つのIEタスクの実験は、我々のCFIEモデルが突発的な相関問題を緩和する効果を示している。

関連論文リスト

• Towards Deconfounded Image-Text Matching with Causal Inference [36.739004282369656]
  本稿では、画像テキストマッチングタスクのための革新的なDecon founded Causal Inference Network(DCIN)を提案する。 DCINは、モダル内およびモダル間共同創設者を分解し、それらを視覚的およびテキスト的特徴のエンコーディングステージに組み込む。 データセットバイアスによって引き起こされる刺激的な相関ではなく、因果関係を学ぶことができる。
  論文  参考訳（メタデータ） (2024-08-22T11:04:28Z)
• Do Finetti: On Causal Effects for Exchangeable Data [45.96632286841583]
  データをi.i.d.に含まない環境での因果効果の推定について検討する。 我々は、独立因果関係の仮定を満たす交換可能なデータに焦点を当てる。
  論文  参考訳（メタデータ） (2024-05-29T07:31:18Z)
• SSL Framework for Causal Inconsistency between Structures and Representations [23.035761299444953]
  深層学習と因果発見のクロスポリン化は、画像、ビデオ、テキストなどの統計的でないデータ形式における因果関係の解明を目指す、急成長する研究分野を触媒している。 我々は、不確定データに適した介入戦略を理論的に開発し、因果一貫性条件(CCC)を導出する。 CCCは様々な分野で重要な役割を果たす可能性がある。
  論文  参考訳（メタデータ） (2023-10-28T08:29:49Z)
• 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)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Counterfactual Reasoning for Out-of-distribution Multimodal Sentiment Analysis [56.84237932819403]
  本稿では,OODの高次一般化に対するテキストモダリティの悪影響を推定・緩和することを目的とする。 そこで本研究では,マルチモーダル感情分析のためのモデルに依存しない反現実的フレームワークを考案した。
  論文  参考訳（メタデータ） (2022-07-24T03:57:40Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)

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。