論文の概要: A Densely Connected Criss-Cross Attention Network for Document-level Relation Extraction

• arxiv url: http://arxiv.org/abs/2203.13953v1
• Date: Sat, 26 Mar 2022 01:01:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 14:11:05.444187
• Title: A Densely Connected Criss-Cross Attention Network for Document-level Relation Extraction
• Title（参考訳）: 文書レベルの関係抽出のための高結合Criss-Crossアテンションネットワーク
• Authors: Liang Zhang, Yidong Cheng
• Abstract要約: 文書レベルの関係抽出(RE)は、与えられた文書内の2つのエンティティ間の関係を特定することを目的としている。 従来の研究は通常、参照レベルまたはエンティティレベルの文書グラフの情報伝達を通じて推論を完了した。 本稿では,文書レベルのREに対して,Densely Connected Criss-Cross Attention Network (Dense-CCNet) と呼ばれる新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.276435438007766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document-level relation extraction (RE) aims to identify relations between two entities in a given document. Compared with its sentence-level counterpart, document-level RE requires complex reasoning. Previous research normally completed reasoning through information propagation on the mention-level or entity-level document-graph, but rarely considered reasoning at the entity-pair-level.In this paper, we propose a novel model, called Densely Connected Criss-Cross Attention Network (Dense-CCNet), for document-level RE, which can complete logical reasoning at the entity-pair-level. Specifically, the Dense-CCNet performs entity-pair-level logical reasoning through the Criss-Cross Attention (CCA), which can collect contextual information in horizontal and vertical directions on the entity-pair matrix to enhance the corresponding entity-pair representation. In addition, we densely connect multiple layers of the CCA to simultaneously capture the features of single-hop and multi-hop logical reasoning.We evaluate our Dense-CCNet model on three public document-level RE datasets, DocRED, CDR, and GDA. Experimental results demonstrate that our model achieves state-of-the-art performance on these three datasets.
• Abstract（参考訳）: 文書レベル関係抽出(re)は、ある文書内の2つのエンティティ間の関係を識別することを目的としている。 文レベルと比較すると、文書レベルREは複雑な推論を必要とする。 従来の研究では、参照レベルやエンティティレベルの文書グラフの情報伝達を通じて推論を完了したが、エンティティペアレベルでの推論を考えることはまれである。本論文では、エンティティペアレベルで論理推論を完備する文書レベルのreのための、密結合されたcriss-cross attention network(dense-ccnet)と呼ばれる新しいモデルを提案する。 具体的には、dung-ccnetはcriss-cross attention(cca)を通じてエンティティペアレベルの論理推論を行い、エンティティペアマトリックス上の水平方向および垂直方向の文脈情報を収集し、対応するエンティティペア表現を強化する。 さらに,我々はCCAの複数のレイヤを密結合させて,シングルホップとマルチホップ論理推論の特徴を同時に捉え,Dense-CCNetモデルをDocRED,CDR,GDAの3つの公開ドキュメントレベルREデータセット上で評価した。 実験により,これらの3つのデータセットの最先端性能が得られた。

関連論文リスト

• Generative Retrieval Meets Multi-Graded Relevance [104.75244721442756]
  GRADed Generative Retrieval (GR$2$)というフレームワークを紹介します。 GR$2$は2つの重要なコンポーネントに焦点を当てている。 マルチグレードとバイナリの関連性を持つデータセットの実験は,GR$2$の有効性を示した。
  論文  参考訳（メタデータ） (2024-09-27T02:55:53Z)
• Document-level Relation Extraction with Cross-sentence Reasoning Graph [14.106582119686635]
  関係抽出(RE)は、最近、文レベルから文書レベルに移行した。 GRaph情報集約・クロスセンス推論ネットワーク(GRACR)を用いた新しい文書レベルのREモデルを提案する。 実験結果から,GRACRは文書レベルのREの2つの公開データセットにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-03-07T14:14:12Z)
• ReSel: N-ary Relation Extraction from Scientific Text and Tables by Learning to Retrieve and Select [53.071352033539526]
  学術論文からN-ary関係を抽出する問題について考察する。 提案手法であるReSelは,このタスクを2段階のプロシージャに分解する。 3つの科学的情報抽出データセットに対する実験により、ReSelは最先端のベースラインを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-10-26T02:28:02Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• A Masked Image Reconstruction Network for Document-level Relation Extraction [3.276435438007766]
  文書レベルの関係抽出は、複雑な3重関係を抽出するために複数の文に対する推論を必要とする。 マスク付き画像再構成ネットワーク(DRE-MIR)に基づく文書レベルの関係抽出モデルを提案する。 我々は,3つの公開文書レベルの関係抽出データセットについて,そのモデルを評価する。
  論文  参考訳（メタデータ） (2022-04-21T02:41:21Z)
• Document-level Relation Extraction as Semantic Segmentation [38.614931876015625]
  文書レベルの関係抽出は、文書から複数のエンティティペア間の関係を抽出することを目的としている。 本稿では,局所的およびグローバルな情報を取得するために,エンティティレベルの関係行列を予測することで,この問題に対処する。 文書レベルの関係抽出のための文書U字型ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T13:44:44Z)
• Coarse-to-Fine Entity Representations for Document-level Relation Extraction [28.39444850200523]
  文書レベルの関係抽出(RE: Document-level Relation extract)は、文内および文間で表現される関係を抽出する必要がある。 最近の研究は、通常文書レベルの相互作用をキャプチャする文書レベルのグラフを構築するグラフベースの手法が有用なエンティティ表現を得ることができることを示している。 粗大な戦略を採用する textbfCoarse-to-textbfFine textbfEntity textbfRepresentation model (textbfCFER) を提案する。
  論文  参考訳（メタデータ） (2020-12-04T10:18:59Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)
• An Iterative Multi-Knowledge Transfer Network for Aspect-Based Sentiment Analysis [73.7488524683061]
  本稿では,エンド・ツー・エンドABSAのための新しいIterative Multi-Knowledge Transfer Network (IMKTN)を提案する。 我々のIMKTNは、よく設計されたルーティングアルゴリズムを用いて、3つのサブタスクのうち2つのタスク固有の知識をトークンレベルで別のタスクに転送する。 3つのベンチマークデータセットの実験結果は、我々のアプローチの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2020-04-04T13:49:54Z)
• HIN: Hierarchical Inference Network for Document-Level Relation Extraction [13.474450053582572]
  文書レベルのREは、複数の文の読み込み、推測、集約を必要とする。 文書レベルのREでは、異なる粒度で推論情報を取得して集約する方法が難しい。
  論文  参考訳（メタデータ） (2020-03-28T09:32:31Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。