論文の概要: Inferring Commonsense Explanations as Prompts for Future Event Generation

• arxiv url: http://arxiv.org/abs/2201.07099v1
• Date: Tue, 18 Jan 2022 16:21:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 13:44:50.219646
• Title: Inferring Commonsense Explanations as Prompts for Future Event Generation
• Title（参考訳）: イベント生成のプロンプトとしてのコモンセンスの説明
• Authors: Li Lin, Yixin Cao, Lifu Huang, Shuang Li, Xuming Hu, Lijie Wen and Jianmin Wang
• Abstract要約: Future Event Generationは、前回のイベントが持つ流動的で合理的な未来のイベント記述を生成することを目的としている。 共感覚推論モデル(IM)とイベント生成モデル(GM)から構成される新しい説明可能なFEGフレームワークを提案する。 IMは、前回の出来事を解釈し、意図、反応、ニーズといったキャラクター心理学を潜伏変数として明らかにするために常識的推論を行う。 GMはコモンセンスの知識を、論理的に一貫性のある未来の出来事の発生を誘導し、強制するきっかけと捉えている。
• 参考スコア（独自算出の注目度）: 39.285793120836516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future Event Generation aims to generate fluent and reasonable future event descriptions given preceding events. It requires not only fluent text generation but also commonsense reasoning to maintain the coherence of the entire event story. However, existing FEG methods are easily trapped into repeated or general events without imposing any logical constraint to the generation process. In this paper, we propose a novel explainable FEG framework that consists of a commonsense inference model (IM) and an event generation model (GM). The IM, which is pre-trained on a commonsense knowledge graph ATOMIC, learns to interpret the preceding events and conducts commonsense reasoning to reveal the characters psychology such as intent, reaction, and needs as latent variables. GM further takes the commonsense knowledge as prompts to guide and enforce the generation of logistically coherent future events. As unique merit, the commonsense prompts can be further decoded into textual descriptions, yielding explanations for the future event. Automatic and human evaluation demonstrate that our approach can generate more coherent, specific, and logical future events than the strong baselines.
• Abstract（参考訳）: Future Event Generationは、前回のイベントが持つ流動的で合理的な未来のイベント記述を生成することを目的としている。 イベントストーリー全体の一貫性を維持するには、流麗なテキスト生成だけでなく、常識的な推論も必要です。 しかし、既存のFEGメソッドは、生成プロセスに論理的制約を加えることなく、繰り返しまたは一般的なイベントに簡単に閉じ込められる。 本稿では,コモンセンス推論モデル (IM) とイベント生成モデル (GM) を組み合わせた,説明可能な新しいFEGフレームワークを提案する。 IMは、コモンセンス知識グラフATOMICで事前訓練され、前回の出来事を解釈し、コモンセンス推論を行い、意図、反応、ニーズといったキャラクター心理学を潜伏変数として明らかにする。 さらにgmは、コモンセンスの知識を、ロジスティックに一貫性のある将来のイベントの発生を導くための手段として捉えている。 ユニークなメリットとして、commonsenseプロンプトはさらにテキスト記述にデコードされ、将来のイベントの説明が得られる。 自動的および人的評価は,我々のアプローチが強いベースラインよりも一貫性,特異性,論理的将来事象を発生させることができることを示す。

関連論文リスト

• OpenEP: Open-Ended Future Event Prediction [57.63525290892786]
  我々はOpenEP(Open-Ended Future Event Prediction Task)を導入し、現実のシナリオに合わせたフレキシブルで多様な予測を生成する。 質問構築には、場所、時間、イベント開発、イベント結果、イベント影響、イベント応答など、7つの視点から質問する。 結果構築のために,結果を含む自由形式のテキストを基礎的真理として収集し,意味論的に完全かつ詳細に富んだ結果を提供する。
  論文  参考訳（メタデータ） (2024-08-13T02:35:54Z)
• EVIT: Event-Oriented Instruction Tuning for Event Reasoning [18.012724531672813]
  イベント推論は、特定の関係に従ってイベントを推論し、将来のイベントを予測することを目的としている。 大規模言語モデル(LLM)は、その豊富な知識と推論能力のために、イベント推論において大きな進歩を遂げている。 しかし、現在使われている命令調整モデルでは、これらのタスクを管理するのに例外的な習熟度が一貫して示されていない。
  論文  参考訳（メタデータ） (2024-04-18T08:14:53Z)
• Neural Story Planning [8.600049807193413]
  本稿では,ニューラル言語モデルと因果計画を統合したストーリープロット生成手法を提案する。 我々のシステムは、物語における出来事の前提条件を推測し、その条件が真実になるイベントを推定する。 その結果,提案手法は複数の強基線よりもコヒーレントなプロットラインを生成することがわかった。
  論文  参考訳（メタデータ） (2022-12-16T21:29:41Z)
• Rich Event Modeling for Script Event Prediction [60.67635412135682]
  スクリプトイベント予測のためのリッチイベント予測(REP)フレームワークを提案する。 REPは、テキストからそのような情報を抽出するイベント抽出器を含む。 予測器の中核となるコンポーネントは、任意の数の引数を柔軟に扱う変換器ベースのイベントエンコーダである。
  論文  参考訳（メタデータ） (2022-12-16T05:17:59Z)
• A Generative Approach for Script Event Prediction via Contrastive Fine-tuning [35.87615178251874]
  Scriptイベント予測は、コンテキストが与えられた後続のイベントを予測することを目的としている。 近年の研究では,事前学習言語モデルと外部知識の導入により,事象相関推論の改善が試みられている。 本稿では,事前学習した言語モデルをイベント中心の事前学習目的で微調整する,新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2022-12-07T07:32:47Z)
• Zero-Shot On-the-Fly Event Schema Induction [61.91468909200566]
  本稿では,大規模な言語モデルを用いて,高レベルなイベント定義,特定のイベント,引数,それらの関係を予測・付与するソースドキュメントを生成する手法を提案する。 我々のモデルを用いて、任意のトピックに関する完全なスキーマを、手動のデータ収集、すなわちゼロショットの方法で、オンザフライで生成することができる。
  論文  参考訳（メタデータ） (2022-10-12T14:37:00Z)
• Temporal Reasoning on Implicit Events from Distant Supervision [91.20159064951487]
  本稿では,暗黙的事象の理解度を評価する新しい時間的推論データセットを提案する。 我々は、暗黙の出来事と明示的な出来事の間の時間的関係を予測する際に、最先端のモデルが苦労していることを発見した。 本稿では,大規模テキストからの遠隔監視信号を利用して終末時刻を推定する,ニューロシンボリックな時間的推論モデルSYMTIMEを提案する。
  論文  参考訳（メタデータ） (2020-10-24T03:12:27Z)
• Paragraph-level Commonsense Transformers with Recurrent Memory [77.4133779538797]
  物語からコヒーレントなコモンセンス推論を生成するために,段落レベルの情報を含む談話認識モデルを訓練する。 以上の結果から,PARA-COMETは文レベルのベースライン,特にコヒーレントかつ新規な推論に優れていた。
  論文  参考訳（メタデータ） (2020-10-04T05:24:12Z)

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。

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。