論文の概要: Sequence-to-Sequence Models for Extracting Information from Registration and Legal Documents

• arxiv url: http://arxiv.org/abs/2201.05658v1
• Date: Fri, 14 Jan 2022 20:20:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 13:13:43.498296
• Title: Sequence-to-Sequence Models for Extracting Information from Registration and Legal Documents
• Title（参考訳）: 登録及び法的文書から情報を抽出するシーケンス・ツー・シーケンスモデル
• Authors: Ramon Pires and F\'abio C. de Souza and Guilherme Rosa and Roberto A. Lotufo and Rodrigo Nogueira
• Abstract要約: 我々は,法的および登録文書の情報抽出のためのトークンレベルの分類手法の代替としてシーケンス・ツー・シーケンス・モデルを評価する。 我々は、情報を共同で抽出し、既に構造化された形式で出力を生成するモデルを微調整する。 入力テキストと出力を一致させる新しい手法を提案し,システム検査と監査を容易にする。
• 参考スコア（独自算出の注目度）: 4.581762147208636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A typical information extraction pipeline consists of token- or span-level classification models coupled with a series of pre- and post-processing scripts. In a production pipeline, requirements often change, with classes being added and removed, which leads to nontrivial modifications to the source code and the possible introduction of bugs. In this work, we evaluate sequence-to-sequence models as an alternative to token-level classification methods for information extraction of legal and registration documents. We finetune models that jointly extract the information and generate the output already in a structured format. Post-processing steps are learned during training, thus eliminating the need for rule-based methods and simplifying the pipeline. Furthermore, we propose a novel method to align the output with the input text, thus facilitating system inspection and auditing. Our experiments on four real-world datasets show that the proposed method is an alternative to classical pipelines.
• Abstract（参考訳）: 典型的な情報抽出パイプラインは、トークンまたはスパンレベルの分類モデルと、一連の前処理および後処理スクリプトで構成される。 運用パイプラインでは、クラスの追加と削除によって要件が頻繁に変更されるため、ソースコードに対する非自明な変更とバグの可能性がある。 本研究では,法的および登録文書の情報抽出のためのトークンレベルの分類手法の代替としてシーケンス・ツー・シーケンス・モデルを評価する。 情報を抽出し、既に構造化されたフォーマットで出力するモデルを微調整する。 後処理ステップはトレーニング中に学習され、ルールベースのメソッドの必要性を排除し、パイプラインを簡素化する。 さらに,出力を入力テキストと整合させる新しい手法を提案することで,システムの検査と監査が容易になる。 実世界の4つのデータセットに対する実験により,提案手法が古典的なパイプラインに代わるものであることを示す。

関連論文リスト

• Lemur: Log Parsing with Entropy Sampling and Chain-of-Thought Merging [33.522495018321386]
  textbfEntropy サンプリングと Chain-of-Thought textbfMerging (Lemur) を用いた最先端 textbfLog 解析フレームワークを提案する。 本稿では,典型的なログを効率的にクラスタリングする情報エントロピーにインスパイアされた新しいサンプリング手法を提案する。 Lemurは最先端のパフォーマンスと素晴らしい効率を実現している。
  論文  参考訳（メタデータ） (2024-02-28T09:51:55Z)
• Zero-Shot Text Matching for Automated Auditing using Sentence Transformers [0.3078691410268859]
  本稿では, トランスフォーマーモデルであるSentence-Bertを用いた教師なしテキストマッチングの効率について, 財務パスのセマンティックな類似性に適用することによって検討する。 実験結果から,本モデルはドメイン内および外部データからの文書に対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2022-10-28T11:52:16Z)
• DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
  本稿では,既存のDocREモデルの根本原因について検討する。 本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-28T11:18:10Z)
• Thutmose Tagger: Single-pass neural model for Inverse Text Normalization [76.87664008338317]
  逆テキスト正規化(ITN)は自動音声認識において重要な後処理ステップである。 本稿では,ITN例の粒度アライメントに基づくデータセット作成手法を提案する。 タグと入力語との1対1対応により、モデルの予測の解釈性が向上する。
  論文  参考訳（メタデータ） (2022-07-29T20:39:02Z)
• Classifiers are Better Experts for Controllable Text Generation [63.17266060165098]
  提案手法は, PPLにおける最近のPPLM, GeDi, DExpertsよりも有意に優れており, 生成したテキストの外部分類器に基づく感情の精度が高いことを示す。 同時に、実装やチューニングも簡単で、制限や要件も大幅に少なくなります。
  論文  参考訳（メタデータ） (2022-05-15T12:58:35Z)
• Question-Based Salient Span Selection for More Controllable Text Summarization [67.68208237480646]
  本稿では,質問応答(QA)信号を要約モデルに組み込む手法を提案する。 提案手法は,入力文書中の有声名詞句(NP)を自動生成することで同定する。 このQAベースの信号は、2段階の要約モデルに組み込まれ、まず分類モデルを用いて入力文書中の有能なNPをマークし、その後、条件付きで要約を生成する。
  論文  参考訳（メタデータ） (2021-11-15T17:36:41Z)
• Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing [78.8500633981247]
  本稿では,自然言語処理における新たなパラダイムにおける研究成果の探索と整理を行う。 入力xを取り込んで出力yをP(y|x)として予測するようにモデルを訓練する従来の教師付き学習とは異なり、プロンプトベースの学習は直接テキストの確率をモデル化する言語モデルに基づいている。
  論文  参考訳（メタデータ） (2021-07-28T18:09:46Z)
• Key Information Extraction From Documents: Evaluation And Generator [3.878105750489656]
  本研究プロジェクトは,文書からの情報抽出のための最先端モデルと比較する。 その結果,NLPに基づく事前処理はモデル性能に有益であることが示唆された。 境界ボックス回帰デコーダの使用により、長方形に従わないフィールドに対してのみモデル性能が向上する。
  論文  参考訳（メタデータ） (2021-06-09T16:12:21Z)
• Doc2Dict: Information Extraction as Text Generation [0.0]
  Doc2Dictはドキュメントレベルの情報を抽出するパイプラインである。 既存のデータベースレコードの言語モデルをトレーニングし、構造化されたスパンを生成します。 チェックポインティングとチャンクエンコーディングを用いて,1つのベースライン上の最大32,000トークンのシーケンスに適用する。
  論文  参考訳（メタデータ） (2021-05-16T20:46:29Z)
• Robust Document Representations using Latent Topics and Metadata [17.306088038339336]
  本稿では,文書分類問題に対する事前学習型ニューラルネットワークモデルの微調整手法を提案する。 テキストとメタデータの両方をタスク形式でキャプチャする文書表現を生成します。 私たちのソリューションでは、メタデータを単にテキストで拡張するのではなく、明示的に組み込んでいます。
  論文  参考訳（メタデータ） (2020-10-23T21:52:38Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。