Fugu-MT 論文翻訳(概要): Neural Transition System for End-to-End Opinion Role Labeling

論文の概要: Neural Transition System for End-to-End Opinion Role Labeling

arxiv url: http://arxiv.org/abs/2110.02001v1
Date: Tue, 5 Oct 2021 12:45:59 GMT
ステータス: 処理完了
システム内更新日: 2021-10-06 14:15:49.222340
Title: Neural Transition System for End-to-End Opinion Role Labeling
Title（参考訳）: 終端オピニオンロールラベリングのためのニューラルトランジションシステム
Authors: Shengqiong Wu and Donghong Ji
Abstract要約: 統一世論役割ラベルリング(ORL)は、意見保有者目標の可能なすべての意見構造を1ショットで検出することを目的としている。我々は、遷移アーキテクチャを再考し、ポインタネットワーク(PointNet)で拡張することで、新しいソリューションを提案する。このフレームワークは、線形時間複雑性におけるすべての意見構造を解析し、PointNetとの任意の項長の制限を突破する。
参考スコア（独自算出の注目度）: 13.444895891262844
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unified opinion role labeling (ORL) aims to detect all possible opinion structures of `opinion-holder-target' in one shot, given a text. The existing transition-based unified method, unfortunately, is subject to longer opinion terms and fails to solve the term overlap issue. Current top performance has been achieved by employing the span-based graph model, which however still suffers from both high model complexity and insufficient interaction among opinions and roles. In this work, we investigate a novel solution by revisiting the transition architecture, and augment it with a pointer network (PointNet). The framework parses out all opinion structures in linear-time complexity, meanwhile breaks through the limitation of any length of terms with PointNet. To achieve the explicit opinion-role interactions, we further propose a unified dependency-opinion graph (UDOG), co-modeling the syntactic dependency structure and the partial opinion-role structure. We then devise a relation-centered graph aggregator (RCGA) to encode the multi-relational UDOG, where the resulting high-order representations are used to promote the predictions in the vanilla transition system. Our model achieves new state-of-the-art results on the MPQA benchmark. Analyses further demonstrate the superiority of our methods on both efficacy and efficiency.
Abstract（参考訳）: Unified opinion role labeling (ORL) は、テキストから1ショットで‘opinion-holder-target’の可能なすべての意見構造を検出することを目的としている。既存のトランジッションベースの統一メソッドは、残念ながら、長い意見条件の対象となるため、重複問題という用語は解決できない。現在のトップパフォーマンスは、スパンベースのグラフモデルを使用することで達成されているが、それでも高いモデルの複雑さと意見や役割間の相互作用が不十分である。本研究では、遷移アーキテクチャを再検討し、ポインタネットワーク(PointNet)で拡張することで、新しいソリューションについて検討する。このフレームワークは線形時間複雑性ですべての意見構造を解析し、一方pointnetの項長の制限を突破する。明示的なオピニオン・ロール相互作用を実現するために,我々はさらに,構文依存構造と部分的オピニオン・ロール構造を共モデリングした統一依存-オピニオングラフ(udog)を提案する。次に、関係中心グラフアグリゲータ(RCGA)を考案し、重回帰 UDOG を符号化し、その結果の高次表現を用いてバニラ遷移系の予測を促進する。我々のモデルはMPQAベンチマークで新しい最先端結果を達成する。分析により,提案手法の有効性と効率性に優れることが示された。

関連論文リスト

A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文参考訳（メタデータ） (2024-06-19T22:30:08Z)
Adaptive Message Passing: A General Framework to Mitigate Oversmoothing, Oversquashing, and Underreaching [23.487431014596556]
長距離相互作用は、多くの科学分野における複雑なシステムの正しい記述に不可欠である。ほとんどのディープグラフネットワークは、(同期)メッセージパッシングの固有の制限のため、実際には長距離依存をモデル化できません。この研究は、これらの制限を緩和する一般的なフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-27T12:49:27Z)
Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文参考訳（メタデータ） (2023-07-01T13:53:14Z)
Structured Sentiment Analysis as Transition-based Dependency Parsing [0.40611352512781856]
構造化感情分析は、自然言語のテキストから人の意見を自動的に抽出することを目的としている。 SSAを実行するための最も正確な方法の1つが最近提案され、依存関係解析タスクとしてアプローチされている。依存関係解析としてSSAに対処する最初の遷移ベース手法を提案する。
論文参考訳（メタデータ） (2023-05-09T10:03:34Z)
Semantics-Aware Dynamic Localization and Refinement for Referring Image Segmentation [102.25240608024063]
画像の参照は、言語表現からのイメージセグメントを参照する。そこで我々は,局所化中心からセグメンテーション言語へ移行するアルゴリズムを開発した。比較すると,本手法はより汎用的で有効である。
論文参考訳（メタデータ） (2023-03-11T08:42:40Z)
Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
論文参考訳（メタデータ） (2023-03-10T14:38:49Z)
DepGraph: Towards Any Structural Pruning [68.40343338847664]
我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
論文参考訳（メタデータ） (2023-01-30T14:02:33Z)
Truveta Mapper: A Zero-shot Ontology Alignment Framework [3.5284865194805106]
教師なしオントロジーマッチング(OM)やオントロジーアライメント(OA)に対する新しい視点の提案提案するフレームワークであるTruveta Mapper (TM)は、マルチタスクのシーケンス・ツー・シーケンス・トランスフォーマーモデルを利用して、ゼロショット、統一、エンドツーエンドの方法で複数のアライメントを実行する。 TMは、公開コーパステキストと内部オントロジデータのみを事前訓練し、微調整する。
論文参考訳（メタデータ） (2023-01-24T00:32:56Z)
End-to-end Semantic Role Labeling with Neural Transition-based Model [25.921541005563856]
エンドツーエンドのセマンティックロールラベリング(SRL)が注目されています。最近の研究は主にグラフベースのニューラルモデルに焦点を当てている。本稿では,エンドツーエンドSRLのための遷移型ニューラルモデルについて紹介する。
論文参考訳（メタデータ） (2021-01-02T07:35:54Z)
Transition-based Semantic Dependency Parsing with Pointer Networks [0.34376560669160383]
本稿では,ラベル付き非巡回グラフを容易に生成し,セマンティック依存解析を行う遷移システムを提案する。 BERTから抽出した深層文脈化単語埋め込みによるアプローチを強化する。結果として得られたシステムは、既存のトランジションベースモデルをすべて上回るだけでなく、SemEval 2015 18の英語データセットでこれまでで最高の完全教師付き精度を達成している。
論文参考訳（メタデータ） (2020-05-27T13:18:27Z)
A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。