論文の概要: Efficient Document-level Event Extraction via Pseudo-Trigger-aware Pruned Complete Graph

• arxiv url: http://arxiv.org/abs/2112.06013v1
• Date: Sat, 11 Dec 2021 16:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 16:23:29.812850
• Title: Efficient Document-level Event Extraction via Pseudo-Trigger-aware Pruned Complete Graph
• Title（参考訳）: Pseudo-Trigger-aware Pruned Complete Graphによる文書レベルのイベント抽出
• Authors: Tong Zhu, Xiaoye Qu, Wenliang Chen, Zhefeng Wang, Baoxing Huai, Nicholas Jing Yuan, Min Zhang
• Abstract要約: 完全グラフ上でイベント引数の組み合わせ抽出を行う非自己回帰復号アルゴリズムを設計する。 従来のシステムと比較すると、トレーニングに3.6%のGPU時間(pfs-days)しか必要とせず、推論に最大8.5倍高速である。
• 参考スコア（独自算出の注目度）: 15.925704154438638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There are two main challenges in document-level event extraction: 1) argument entities are scattered in different sentences, and 2) event triggers are often not available. To address these challenges, most previous studies mainly focus on building argument chains in an autoregressive way, which is inefficient in both training and inference. In contrast to the previous studies, we propose a fast and lightweight model named as PTPCG. We design a non-autoregressive decoding algorithm to perform event argument combination extraction on pruned complete graphs, which are constructed under the guidance of the automatically selected pseudo triggers. Compared to the previous systems, our system achieves competitive results with lower resource consumption, taking only 3.6% GPU time (pfs-days) for training and up to 8.5 times faster for inference. Besides, our approach shows superior compatibility for the datasets with (or without) triggers and the pseudo triggers can be the supplements for annotated triggers to make further improvements.
• Abstract（参考訳）: ドキュメントレベルのイベント抽出には2つの大きな課題がある。 1)議論の実体は、異なる文に散在し、 2) イベントトリガーは、しばしば利用できない。 これらの課題に対処するため、従来の研究は主に自己回帰的な方法で議論連鎖を構築することに焦点を当てており、これはトレーニングと推論の両方において非効率である。 従来の研究とは対照的に,PTPCGと呼ばれる高速で軽量なモデルを提案する。 自動選択された疑似トリガーの指導の下で構築されたプルーニングされた完全グラフ上でイベント引数の組み合わせ抽出を行うために,非回帰復号アルゴリズムを設計する。 従来のシステムと比較して,本システムは,トレーニングに3.6%のGPU時間(pfs-days)を要し,推論に最大8.5倍の高速化を実現している。 さらに,このアプローチでは,データセットとトリガとの互換性が向上し,擬似トリガがアノテーション付きトリガの補足となり,さらなる改善が期待できる。

関連論文リスト

• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• Are Triggers Needed for Document-Level Event Extraction? [16.944314894087075]
  我々は,文書レベルのイベント抽出において,より困難で研究の少ない作業に対するトリガーの役割を初めて調査する。 3つの文書レベルのイベント抽出データセットに対して、複数のエンドツーエンドおよびパイプライン化されたニューラルイベント抽出モデルでそれらの有用性を分析する。 我々の研究では、トリガーの有効性は、抽出タスクの特徴とデータ品質によって異なり、基本的で自動生成トリガーは、人間のアノテーションに代えて実行可能な代替品として機能することを示している。
  論文  参考訳（メタデータ） (2024-11-13T15:50:38Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Enhancing Document-level Event Argument Extraction with Contextual Clues and Role Relevance [12.239459451494872]
  ドキュメントレベルのイベント引数抽出は、ロングインプットとクロスセンス推論という新たな課題を引き起こす。 本研究では,Span-Triggerに基づくコンテキストプーリングと潜在ロールガイダンスモデルを提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:29:10Z)
• Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
  TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。 我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。 実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T06:02:01Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Retrieval-Augmented Generative Question Answering for Event Argument Extraction [66.24622127143044]
  イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。 最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。 提案手法は, 様々な設定において, かなり先行した手法より優れている。
  論文  参考訳（メタデータ） (2022-11-14T02:00:32Z)
• 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)
• Generating Disentangled Arguments with Prompts: A Simple Event Extraction Framework that Works [9.36117752274482]
  イベント抽出は、テキストとイベント信号の間のギャップを橋渡しする。 イベント抽出の領域にプロンプトベースの学習戦略を導入する。 Argument extractのF1スコアに関しては、私たちのシンプルなアーキテクチャは他のどの生成的アーキテクチャよりも強いです。
  論文  参考訳（メタデータ） (2021-10-09T09:36:08Z)
• Accelerating BERT Inference for Sequence Labeling via Early-Exit [65.7292767360083]
  我々は最近成功した早期退避機構を拡張し、シークエンスラベリングタスクに対するPTMの推論を高速化する。 また、異なる層で部分トークンを早期に退避させるトークンレベルの早期退避機構も提案する。 当社のアプローチでは,パフォーマンスの低下を最小限に抑えながら,最大66%～75%の推論コストを削減できる。
  論文  参考訳（メタデータ） (2021-05-28T14:39:26Z)
• On Improving Deep Learning Trace Analysis with System Call Arguments [1.3299507495084417]
  カーネルトレースは名前と複数の引数からなる低レベルのイベントのシーケンスである。 埋め込みとエンコーディングの両方を用いて、イベント名の表現と引数を学習するための一般的なアプローチを導入する。
  論文  参考訳（メタデータ） (2021-03-11T19:26:34Z)

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。