論文の概要: Process Extraction from Text: state of the art and challenges for the
future
- arxiv url: http://arxiv.org/abs/2110.03754v1
- Date: Thu, 7 Oct 2021 19:12:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 08:01:29.515855
- Title: Process Extraction from Text: state of the art and challenges for the
future
- Title(参考訳): テキストからのプロセス抽出:技術の現状と今後の課題
- Authors: Patrizio Bellan, Mauro Dragoni, Chiara Ghidini
- Abstract要約: 自動プロセスディスカバリは、プロセスモデルの抽出と適用のためのアルゴリズム手法の開発を目的としている。
テキストからのプロセス発見は、まだ開発の初期段階の研究領域であり、実際の文書にスケールすることはめったにない。
- 参考スコア(独自算出の注目度): 0.7541357996797059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic Process Discovery aims at developing algorithmic methodologies for
the extraction and elicitation of process models as described in data. While
Process Discovery from event-log data is a well established area, that has
already moved from research to concrete adoption in a mature manner, Process
Discovery from text is still a research area at an early stage of development,
which rarely scales to real world documents. In this paper we analyze, in a
comparative manner, reference state-of-the-art literature, especially for what
concerns the techniques used, the process elements extracted and the
evaluations performed. As a result of the analysis we discuss important
limitations that hamper the exploitation of recent Natural Language Processing
techniques in this field and we discuss fundamental limitations and challenges
for the future concerning the datasets, the techniques, the experimental
evaluations, and the pipelines currently adopted and to be developed in the
future.
- Abstract(参考訳): 自動プロセス探索は、データに記述されたプロセスモデルの抽出と導出のためのアルゴリズム手法の開発を目標としている。
イベントログデータからのプロセス発見は、すでに研究から成熟した方法での具体的な採用へと移行した、確立された領域であるが、テキストからのプロセス発見は、まだ開発の初期段階にある研究領域であり、現実のドキュメントにはほとんどスケールしない。
本稿では, 比較的に, 最先端文献, 特に使用する技術, プロセス要素の抽出, 評価について分析する。
分析の結果,近年の自然言語処理技術の活用を妨げる重要な限界について議論し,今後,データセット,技術,実験評価,パイプラインが現在採用され,将来開発される上での根本的な限界と課題について考察する。
関連論文リスト
- A Large-scale Empirical Study on Improving the Fairness of Deep Learning
Models [24.603837972984547]
本稿では,現在ある最先端の公正性向上技術の性能を比較するための,最初の大規模実証的研究を行う。
その結果,各手法の性能は,データセットや属性によって大きく異なることがわかった。
異なる公平度評価指標は、その異なる焦点のために、明らかに異なる評価結果をもたらす。
論文 参考訳(メタデータ) (2024-01-08T06:53:33Z) - How to Determine the Most Powerful Pre-trained Language Model without
Brute Force Fine-tuning? An Empirical Survey [23.757740341834126]
その結果,H-Scoreは効率性や効率性に優れることがわかった。
また、トレーニングの詳細、テキスト生成への適用性、今後の方向性に光を当てる特定の指標との整合性といった難しさについても概説する。
論文 参考訳(メタデータ) (2023-12-08T01:17:28Z) - Better Understanding Differences in Attribution Methods via Systematic
Evaluations [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
論文 参考訳(メタデータ) (2023-03-21T14:24:58Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳(メタデータ) (2023-02-06T16:55:37Z) - Operationalizing Specifications, In Addition to Test Sets for Evaluating
Constrained Generative Models [17.914521288548844]
生成モデルのスケールは、評価自体が実行される抽象レベルを高めるために利用することができると論じる。
我々の勧告は、生成品質を評価するための強力な手段として仕様を活用することに基づいている。
論文 参考訳(メタデータ) (2022-11-19T06:39:43Z) - Towards Better Understanding Attribution Methods [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
論文 参考訳(メタデータ) (2022-05-20T20:50:17Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳(メタデータ) (2021-09-24T17:37:35Z) - Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。
提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。
分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文 参考訳(メタデータ) (2020-11-13T10:53:27Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z) - On the Ambiguity of Rank-Based Evaluation of Entity Alignment or Link
Prediction Methods [27.27230441498167]
本稿では,知識グラフから情報を得る方法として,リンク予測とエンティティアライメント(Entity Alignment)の2つのファミリについて,より詳しく検討する。
特に、既存のスコアはすべて、異なるデータセット間で結果を比較するのにほとんど役に立たないことを実証する。
これは結果の解釈において様々な問題を引き起こしており、誤解を招く結論を裏付ける可能性がある。
論文 参考訳(メタデータ) (2020-02-17T12:26:14Z)
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。