Fugu-MT 論文翻訳(概要): Probing Language Models for Understanding of Temporal Expressions

論文の概要: Probing Language Models for Understanding of Temporal Expressions

arxiv url: http://arxiv.org/abs/2110.01113v1
Date: Sun, 3 Oct 2021 22:38:31 GMT
ステータス: 処理完了
システム内更新日: 2021-10-05 15:38:18.961649
Title: Probing Language Models for Understanding of Temporal Expressions
Title（参考訳）: 時間表現理解のための言語モデル探索
Authors: Shivin Thukral, Kunal Kukreja, Christian Kavouras
Abstract要約: 時間的表現の理解に基づいてNLIモデルを評価することができる3つの自然言語推論(NLI)課題セットを提案する。我々はこれらのモデルを3つの時間的特性に対して探索する: (a) 時間内の点間の順序、 (b) 時間内の2点間の時間、 (c) 異なる単位で指定された時間の大きさの間の関係。 MNLIで微調整された大規模言語モデルでは,時間内の点間の順序に対する基本的な認識がある程度あるが,時間的表現の関係を十分に理解していないことが判明した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present three Natural Language Inference (NLI) challenge sets that can evaluate NLI models on their understanding of temporal expressions. More specifically, we probe these models for three temporal properties: (a) the order between points in time, (b) the duration between two points in time, (c) the relation between the magnitude of times specified in different units. We find that although large language models fine-tuned on MNLI have some basic perception of the order between points in time, at large, these models do not have a thorough understanding of the relation between temporal expressions.
Abstract（参考訳）: 時間的表現の理解に基づいてNLIモデルを評価することができる3つの自然言語推論(NLI)課題セットを提案する。より具体的には、これらのモデルを3つの時間的特性に対して探索する。 (a)時間内の点間の順序 b) 時間内の2点間の期間 (c)異なる単位で指定された時間の大きさの関係 MNLIで微調整された大規模言語モデルでは,時間内の点間の順序に対する基本的な認識がある程度あるが,時間的表現の関係を十分に理解していない。

関連論文リスト

XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
論文参考訳（メタデータ） (2024-10-18T05:16:39Z)
Arrows of Time for Large Language Models [3.5678162800263307]
自己回帰大言語モデル(LLM)による確率的モデリングを時間方向の角度から検討する。十分に大きなモデルでは、自然言語を学習する能力において、次のトークンを予測しようとする場合と、前のトークンを予測しようとする場合との平均ログパープレキシティの違いという、タイム非対称性が経験的に見つかる。
論文参考訳（メタデータ） (2024-01-30T23:46:35Z)
An Overview Of Temporal Commonsense Reasoning and Acquisition [20.108317515225504]
時間的コモンセンス推論(英: Temporal Commonsense reasoning)とは、フレーズ、行動、出来事の典型的な時間的文脈を理解する能力である。大規模言語モデルの性能に関する最近の研究は、しばしば推論においてショートカットを行い、単純な言語トラップに陥ることが示唆されている。
論文参考訳（メタデータ） (2023-07-28T01:30:15Z)
Unlocking Temporal Question Answering for Large Language Models with Tailor-Made Reasoning Logic [84.59255070520673]
大きな言語モデル(LLM)は、時間的推論に関わる際に課題に直面します。本研究では,時間的質問応答タスクに特化して設計された新しいフレームワークであるTempLogicを提案する。
論文参考訳（メタデータ） (2023-05-24T10:57:53Z)
Interpreting Language Models with Contrastive Explanations [99.7035899290924]
言語モデルは、音声、数字、時制、意味論など、トークンを予測するための様々な特徴を考慮しなければならない。既存の説明手法は、これらの特徴の証拠を1つの説明に分割するが、人間の理解には理解できない。比較的な説明は、主要な文法現象の検証において、非対照的な説明よりも定量的に優れていることを示す。
論文参考訳（メタデータ） (2022-02-21T18:32:24Z)
Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
論文参考訳（メタデータ） (2021-05-17T22:02:24Z)
Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文参考訳（メタデータ） (2021-03-29T14:37:35Z)
Affective Processes: stochastic modelling of temporal context for emotion and facial expression recognition [38.47712256338113]
ニューラルプロセス(Neural Processes)の枠組みに基づき,3つの主成分を用いた感情認識手法を提案する。提案手法は,Valence と Arousal の2つのデータベースと,Action Unit のインテンシティ推定の2つのデータベースで検証する。その結果、一連の強いベースラインや最先端の手法よりも一貫した改善が見られた。
論文参考訳（メタデータ） (2021-03-24T17:48:19Z)
Multi-Scale 2D Temporal Adjacent Networks for Moment Localization with Natural Language [112.32586622873731]
自然言語による未編集映像から特定の瞬間を検索する問題に対処する。我々は、時間スケールの異なる2次元マップのセットを用いて、ビデオモーメント間の時間的文脈をモデル化する。モーメントローカライゼーションのためのシングルショットフレームワークであるMS-2D-TAN(Multi-Scale Temporal Adjacent Network)を提案する。
論文参考訳（メタデータ） (2020-12-04T15:09:35Z)
Temporal Information Extraction by Predicting Relative Time-lines [30.060559390097314]
本稿では,(抽出された)時間関係の集合から線形時間線を構築するための新しい手法を提案する。本パラダイムでは,線形複雑性を予測する2つのモデルと,TimeMLスタイルのアノテーションを用いた新たなトレーニング損失を提案する。
論文参考訳（メタデータ） (2018-08-28T16:46:30Z)

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。