Fugu-MT 論文翻訳(概要): NUS-IDS at FinCausal 2021: Dependency Tree in Graph Neural Network for Better Cause-Effect Span Detection

論文の概要: NUS-IDS at FinCausal 2021: Dependency Tree in Graph Neural Network for Better Cause-Effect Span Detection

arxiv url: http://arxiv.org/abs/2110.02991v1
Date: Wed, 6 Oct 2021 18:05:59 GMT
ステータス: 処理完了
システム内更新日: 2021-10-09 13:16:12.858600
Title: NUS-IDS at FinCausal 2021: Dependency Tree in Graph Neural Network for Better Cause-Effect Span Detection
Title（参考訳）: FinCausal 2021におけるNUS-IDS: グラフニューラルネットワークの依存性ツリーによる原因検出
Authors: Fiona Anting Tan, See-Kiong Ng
Abstract要約: グラフニューラルネットワークによる依存関係機能を組み込むことにより,有用なグラフ埋め込みを構築する。 2021年のFinCausalの公式戦では、95.56%、95.56%、95.57%、エクサクティマッチスコア86.05%が3位となった。
参考スコア（独自算出の注目度）: 2.3315267558677446
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic identification of cause-effect spans in financial documents is important for causality modelling and understanding reasons that lead to financial events. To exploit the observation that words are more connected to other words with the same cause-effect type in a dependency tree, we construct useful graph embeddings by incorporating dependency relation features through a graph neural network. Our model builds on a baseline BERT token classifier with Viterbi decoding, and outperforms this baseline in cross-validation and during the competition. In the official run of FinCausal 2021, we obtained Precision, Recall, and F1 scores of 95.56%, 95.56% and 95.57% that all ranked 1st place, and an Exact Match score of 86.05% which ranked 3rd place.
Abstract（参考訳）: 財務事象につながる要因の因果モデリングや理解には, 財務文書の因果関係の自動同定が重要である。単語が係り受け木で同じ因果効果型を持つ他の単語とより結びつくという観察を生かすために,グラフニューラルネットワークによる係り受け関係の特徴を取り入れ,有用なグラフ埋め込みを構築する。我々のモデルは、Viterbiデコード付きベースラインBERTトークン分類器の上に構築され、クロスバリデーションおよび競合の間、このベースラインよりも優れています。フィンカウサル2021のオフィシャルランでは、95.56%、95.56%、95.57%、95.57%の精度、リコール、f1スコアがそれぞれ第1位、そして86.05%の正確なマッチスコアが第3位であった。

関連論文リスト

Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
論文参考訳（メタデータ） (2024-07-15T16:12:51Z)
RDGCN: Reinforced Dependency Graph Convolutional Network for Aspect-based Sentiment Analysis [43.715099882489376]
距離と型の両方のビューにおける依存性の重要度を計算するために,新たに強化された依存グラフ畳み込みネットワーク(RDGCN)を提案する。この基準の下で、重み分布探索と相似性制御に強化学習を利用する距離重要度関数を設計する。 3つの一般的なデータセットに関する総合的な実験は、基準と重要度関数の有効性を示す。
論文参考訳（メタデータ） (2023-11-08T05:37:49Z)
Towards Robust Fidelity for Evaluating Explainability of Graph Neural Networks [32.345435955298825]
グラフニューラルネットワーク(GNN)は、グラフノード間のメッセージパッシングを介してグラフィカルデータの依存性構造を利用するニューラルネットワークである。 GNN説明可能性の研究における主な課題は、これらの説明機能の性能を評価するための忠実度尺度を提供することである。本稿では,この基礎的課題について考察し,その限界を浮き彫りにする。
論文参考訳（メタデータ） (2023-10-03T06:25:14Z)
Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文参考訳（メタデータ） (2023-05-23T21:38:23Z)
GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文参考訳（メタデータ） (2023-04-06T03:02:54Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
UniCausal: Unified Benchmark and Repository for Causal Text Mining [7.402967063220846]
3つのタスクにまたがる因果テキストマイニングのための統一ベンチマークUniCausalを提案する。我々は,6つの高品質な注釈,主に人間による注釈付きコーパスの統合とアライメントを行う。最初のベンチマークを作成するために、BERTの事前訓練済み言語モデルを各タスクに微調整し、それぞれ70.10%のバイナリF1、52.42%のマクロF1、84.68%のバイナリF1スコアを達成した。
論文参考訳（メタデータ） (2022-08-19T06:14:05Z)
Causal Regularization Using Domain Priors [23.31291916031858]
そこで本研究では,因果ドメインをネットワークに組み込む因果正規化手法を提案する。このアプローチは様々な因果前の仕様に一般化可能であることを示す。ほとんどのデータセットでは、精度を犠牲にすることなくドメイン優先の一貫性のあるモデルを得ることができる。
論文参考訳（メタデータ） (2021-11-24T13:38:24Z)
Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-20T18:57:18Z)
Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文参考訳（メタデータ） (2021-10-29T19:55:12Z)

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。