Fugu-MT 論文翻訳(概要): Learning to Ask for Data-Efficient Event Argument Extraction

論文の概要: Learning to Ask for Data-Efficient Event Argument Extraction

arxiv url: http://arxiv.org/abs/2110.00479v1
Date: Fri, 1 Oct 2021 15:22:37 GMT
ステータス: 処理完了
システム内更新日: 2021-10-04 14:36:54.957871
Title: Learning to Ask for Data-Efficient Event Argument Extraction
Title（参考訳）: データ効率の高いイベント引数抽出のための学習
Authors: Hongbin Ye, Ningyu Zhang, Zhen Bi, Shumin Deng, Chuanqi Tan, Hui Chen, Fei Huang, Huajun Chen
Abstract要約: イベント引数抽出(EAE)は、特定の引数の役割を発見するための情報抽出の重要なタスクである。本研究では,EAEを質問ベースのクローズタスクとし,固定された離散トークンテンプレートの性能を実験的に解析する。人間のアノテーションを使わずにEAEに最適化された質問テンプレートを学習できる新しいアプローチ「Learning to Ask」を提案する。
参考スコア（独自算出の注目度）: 23.106166629659405
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Event argument extraction (EAE) is an important task for information extraction to discover specific argument roles. In this study, we cast EAE as a question-based cloze task and empirically analyze fixed discrete token template performance. As generating human-annotated question templates is often time-consuming and labor-intensive, we further propose a novel approach called "Learning to Ask," which can learn optimized question templates for EAE without human annotations. Experiments using the ACE-2005 dataset demonstrate that our method based on optimized questions achieves state-of-the-art performance in both the few-shot and supervised settings.
Abstract（参考訳）: イベント引数抽出(EAE)は、特定の引数の役割を発見するための情報抽出の重要なタスクである。本研究では,EAEを質問ベースのクローズタスクとし,固定された離散トークンテンプレートの性能を実験的に解析する。人間の注釈付き質問テンプレートの生成には時間と労力がかかることが多いため,人間のアノテーションを使わずにEAEに最適化された質問テンプレートを学習できる,"Learning to Ask"という新しいアプローチを提案する。 ACE-2005データセットを用いた実験により,最適化された質問に基づく手法が,複数ショットと教師付き設定の両方で最先端の性能を達成することを示す。

関連論文リスト

CRAFT Your Dataset: Task-Specific Synthetic Dataset Generation Through Corpus Retrieval and Augmentation [51.2289822267563]
合成データセットを生成するCRAFT(Corpus Retrieval and Augmentation for Fine-Tuning)を提案する。我々は、大規模な公開ウェブクローラコーパスと類似性に基づく文書検索を用いて、他の関連する人文文書を検索する。我々は,CRAFTが4つのタスクに対して,大規模タスク固有のトレーニングデータセットを効率的に生成できることを実証した。
論文参考訳（メタデータ） (2024-09-03T17:54:40Z)
Prompt Optimization with EASE? Efficient Ordering-aware Automated Selection of Exemplars [66.823588073584]
大規模言語モデル(LLM)は、現実世界のアプリケーションで印象的な機能を示している。これらの卓越した作品の品質は、パフォーマンスに大きな影響を与えます。既存の方法は、先行注文がパフォーマンスに与える影響を適切に説明できない。
論文参考訳（メタデータ） (2024-05-25T08:23:05Z)
Optimizing Language Model's Reasoning Abilities with Weak Supervision [48.60598455782159]
弱い教師付きベンチマークであるtextscPuzzleBen について,25,147 の複雑な質問,回答,人為的合理性からなる。データセットのユニークな側面は、10,000の未注釈の質問を含めることであり、LLMの推論能力を高めるために、より少ないスーパーサイズのデータを活用することができる。
論文参考訳（メタデータ） (2024-05-07T07:39:15Z)
DACO: Towards Application-Driven and Comprehensive Data Analysis via Code Generation [83.30006900263744]
データ分析は、詳細な研究と決定的な洞察を生み出すための重要な分析プロセスである。 LLMのコード生成機能を活用した高品質な応答アノテーションの自動生成を提案する。我々のDACO-RLアルゴリズムは、57.72%のケースにおいて、SFTモデルよりも有用な回答を生成するために、人間のアノテータによって評価される。
論文参考訳（メタデータ） (2024-03-04T22:47:58Z)
Towards Model-Based Data Acquisition for Subjective Multi-Task NLP Problems [12.38430125789305]
マルチタスクシナリオにおける各テキストに対して個別にアノテートされたタスクの選択を可能にする新しいモデルベースアプローチを提案する。 3つのデータセット、数十のNLPタスク、数千のアノテーションによる実験により、我々の手法は、知識の喪失を無視できるアノテーションの数を最大40%削減できることを示した。
論文参考訳（メタデータ） (2023-12-13T15:03:27Z)
Event Extraction as Question Generation and Answering [72.04433206754489]
イベント抽出に関する最近の研究は、質問回答(QA)としてタスクを再編成した。そこで我々は,QGA-EEを提案する。QGモデルにより,定型テンプレートを使わずに,リッチな文脈情報を含む質問を生成することができる。実験の結果、QGA-EEはACE05の英語データセットで以前のシングルタスクベースのモデルよりも優れていた。
論文参考訳（メタデータ） (2023-07-10T01:46:15Z)
On Event Individuation for Document-Level Information Extraction [10.051706937866504]
我々は,この課題が事象の偏見に関する厄介な質問に対して決定的な回答を要求することを主張する。これにより、テンプレートフィリングメトリクスの有用性、タスクのデータセットの品質、学習するモデルの能力に関する懸念が高まります。
論文参考訳（メタデータ） (2022-12-19T18:30:36Z)
Bi-Directional Iterative Prompt-Tuning for Event Argument Extraction [7.20903061029676]
イベント引数抽出(EAE)のための双方向反復的プロンプトチューニング手法を提案する。提案手法は,コンテクストエンティティの引数ロールをプロンプト構成に導入することにより,イベント引数の相互作用を探索する。 ACE 2005 の英語データセットにおける標準および低リソース設定による実験により,提案手法がピア・オブ・ザ・アーティファクト法を著しく上回ることを示した。
論文参考訳（メタデータ） (2022-10-28T02:31:59Z)
Probing via Prompting [71.7904179689271]
本稿では,探索をプロンプトタスクとして定式化することで,新しいモデルフリーな探索手法を提案する。我々は5つの探索課題について実験を行い、我々のアプローチが診断プローブよりも情報抽出に優れていることを示す。次に,その特性に不可欠な頭部を除去し,言語モデリングにおけるモデルの性能を評価することにより,事前学習のための特定の言語特性の有用性を検討する。
論文参考訳（メタデータ） (2022-07-04T22:14:40Z)
CUP: Curriculum Learning based Prompt Tuning for Implicit Event Argument Extraction [22.746071199667146]
Implicit Event argument extract (EAE) は、文書に散らばる可能性のある引数を特定することを目的としている。本稿では,4つの学習段階によって暗黙的EAEを解消する,カリキュラム学習に基づくプロンプトチューニング(CUP)手法を提案する。さらに,事前学習した言語モデルから関連する知識を引き出すために,プロンプトベースのエンコーダデコーダモデルを統合する。
論文参考訳（メタデータ） (2022-05-01T16:03:54Z)
Event Detection as Question Answering with Entity Information [5.761450181435801]
本稿では,複数回答の可能性とエンティティのサポートを考慮した質問応答(QA)問題として,イベント検出(ED)タスクのパラダイムを提案する。イベントトリガーの抽出は、コンテキストから回答の範囲を識別するタスクに変換されると同時に、周囲のエンティティにもフォーカスされる。 ACE2005コーパスの実験は、提案されたパラダイムがEDタスクの実行可能なソリューションであり、最先端のモデルよりも大幅に優れていることを示した。
論文参考訳（メタデータ） (2021-04-14T16:53:11Z)

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。