Fugu-MT 論文翻訳(概要): Honey or Poison? Solving the Trigger Curse in Few-shot Event Detection via Causal Intervention

論文の概要: Honey or Poison? Solving the Trigger Curse in Few-shot Event Detection via Causal Intervention

arxiv url: http://arxiv.org/abs/2109.05747v1
Date: Mon, 13 Sep 2021 07:11:30 GMT
ステータス: 処理完了
システム内更新日: 2021-09-15 08:06:43.297308
Title: Honey or Poison? Solving the Trigger Curse in Few-shot Event Detection via Causal Intervention
Title（参考訳）: ハニーか毒か? 因果干渉によるイベント検出におけるトリガー曲線の解法
Authors: Jiawei Chen, Hongyu Lin, Xianpei Han, Le Sun
Abstract要約: トリガーの過度な適合は、一般化能力を損なうと同時に、過度な適合は検出性能を損なう。本稿では、因果的視点から、数発のイベント検出(FSED)におけるトリガー呪いの問題を同定し、解決する。
参考スコア（独自算出の注目度）: 31.180485642997198
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Event detection has long been troubled by the \emph{trigger curse}: overfitting the trigger will harm the generalization ability while underfitting it will hurt the detection performance. This problem is even more severe in few-shot scenario. In this paper, we identify and solve the trigger curse problem in few-shot event detection (FSED) from a causal view. By formulating FSED with a structural causal model (SCM), we found that the trigger is a confounder of the context and the result, which makes previous FSED methods much easier to overfit triggers. To resolve this problem, we propose to intervene on the context via backdoor adjustment during training. Experiments show that our method significantly improves the FSED on ACE05, MAVEN and KBP17 datasets.
Abstract（参考訳）: トリガーの過度な適合は、一般化能力を損なうと同時に、過度な適合は、検出パフォーマンスを損なう。この問題は、ほんの少しのシナリオではさらに深刻です。本稿では,因果的視点から,ポインターショットイベント検出(fsed)におけるトリガー呪い問題を特定し,解決する。 FSEDを構造因果モデル (SCM) で定式化することにより, トリガはコンテキストと結果の共創者であることが判明した。この問題を解決するために,トレーニング中のバックドア調整を通じてコンテキストに介入することを提案する。実験の結果,提案手法はACE05, MAVEN, KBP17データセットのFSEDを大幅に改善することがわかった。

関連論文リスト

Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
論文参考訳（メタデータ） (2023-04-02T08:23:20Z)
Trigger-free Event Detection via Derangement Reading Comprehension [4.728684358207039]
イベント検出は、テキストからイベントを検出し、それらを分類することを目的としている。本稿では,機械読み取り(DRC)フレームワーク上での分散機構によるトリガフリーED手法を提案する。提案するトリガフリーEDモデルは,主流のトリガベースモデルと極めて競合することを示す。
論文参考訳（メタデータ） (2022-08-20T11:01:39Z)
Unifying Event Detection and Captioning as Sequence Generation via Pre-Training [53.613265415703815]
本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
論文参考訳（メタデータ） (2022-07-18T14:18:13Z)
Event Collapse in Contrast Maximization Frameworks [13.298845944779108]
ContrastMax (C) は、いくつかのイベントベースのコンピュータビジョン、例えば光学エゴモーションやフロー推定などのタスクに対して最先端の結果を提供するフレームワークである。しかし、それはイベント崩壊と呼ばれる問題に悩まされるかもしれない。我々の研究は、最も単純な形で事象の崩壊を実証し、時空変形の第一原理を用いて崩壊メトリクスを提案する。
論文参考訳（メタデータ） (2022-07-08T16:52:35Z)
Behind the Scenes: An Exploration of Trigger Biases Problem in Few-Shot Event Classification [24.598938900747186]
FSEC(Few-Shot Event Classification)は、アノテーション付きデータに制限のある新しいイベントタイプに一般化可能な、イベント予測モデルの開発を目標としている。既存のFSECモデルは、トリガーワードとターゲットイベントタイプの間の統計的均一性を示すトリガーバイアスに悩まされている。 FSECモデルにおけるコンテキストバイパス問題に対処するために、敵の訓練とトリガー再構成技術を導入する。
論文参考訳（メタデータ） (2021-08-29T13:46:42Z)
OntoED: Low-resource Event Detection with Ontology Embedding [19.126410765996077]
イベント検出(ED)は、所定のテキストからイベントトリガーワードを特定し、イベントタイプに分類することを目的としている。 EDへの現在のメソッドのほとんどは、トレーニングインスタンスに大きく依存しており、イベントタイプの相関をほとんど無視しています。
論文参考訳（メタデータ） (2021-05-23T12:00:22Z)
Few-Shot Event Detection with Prototypical Amortized Conditional Random Field [8.782210889586837]
イベント検出は、いくつかのサンプルで新しいイベントタイプを認識する必要がある場合、苦労する傾向がある。本稿では,タスクを2部タグ付け方式で複数ショットタグ付け問題に変換する統一結合モデルを提案する。ベンチマークデータセットFewEventで実験を行い、実験結果から、タグ付けに基づく手法は既存のパイプラインやジョイントラーニング手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-12-04T01:11:13Z)
Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
論文参考訳（メタデータ） (2020-10-22T12:45:55Z)
DARTS-: Robustly Stepping out of Performance Collapse Without Indicators [74.21019737169675]
異なるアーキテクチャ検索は、長期にわたるパフォーマンスの不安定さに悩まされる。ヘッセン固有値のような指標は、性能が崩壊する前に探索を止める信号として提案される。本稿では,崩壊を解決するために,より微妙で直接的なアプローチをとる。
論文参考訳（メタデータ） (2020-09-02T12:54:13Z)
MAVEN: A Massive General Domain Event Detection Dataset [56.00401399384715]
イベント検出(ED)は、プレーンテキストからイベント知識を抽出する最初の、最も基本的なステップである。既存のデータセットは、EDのさらなる開発を制限する問題を示す。我々は,4,480のウィキペディア文書,118,732のイベント参照インスタンス,168のイベントタイプを含むMAVEN(Massive eVENt detection dataset)を提案する。
論文参考訳（メタデータ） (2020-04-28T15:25:19Z)

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。