論文の概要: Towards Fine-grained Causal Reasoning and QA
- arxiv url: http://arxiv.org/abs/2204.07408v1
- Date: Fri, 15 Apr 2022 10:12:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-18 14:40:23.736267
- Title: Towards Fine-grained Causal Reasoning and QA
- Title(参考訳): きめ細かい因果推論とQAを目指して
- Authors: Linyi Yang, Zhen Wang, Yuxiang Wu, Jie Yang, Yue Zhang
- Abstract要約: 因果性は、特に高い領域において、NLPアプリケーションの成功の鍵となる。
本稿では,新しい微粒な因果推論データセットを提案する。
因果検出、事象因果抽出、因果QAなど、NLPにおける一連の新しい予測タスクを提示する。
- 参考スコア(独自算出の注目度): 19.15261898532854
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Understanding causality is key to the success of NLP applications, especially
in high-stakes domains. Causality comes in various perspectives such as enable
and prevent that, despite their importance, have been largely ignored in the
literature. This paper introduces a novel fine-grained causal reasoning dataset
and presents a series of novel predictive tasks in NLP, such as causality
detection, event causality extraction, and Causal QA. Our dataset contains
human annotations of 25K cause-effect event pairs and 24K question-answering
pairs within multi-sentence samples, where each can have multiple causal
relationships. Through extensive experiments and analysis, we show that the
complex relations in our dataset bring unique challenges to state-of-the-art
methods across all three tasks and highlight potential research opportunities,
especially in developing "causal-thinking" methods.
- Abstract(参考訳): 因果関係を理解することは、特に高い領域において、NLPアプリケーションの成功の鍵となる。
因果関係は、その重要性にもかかわらず、文学においてほとんど無視されている可能性や予防といった様々な観点から生じる。
本稿では,新たな因果推論データセットを導入し,因果検出,事象因果抽出,因果QAなど,NLPにおける一連の新しい予測課題を提示する。
本データセットは,複数の因果関係を持つ多文サンプルに25Kの因果イベントペアと24Kの問合せペアのアノテーションを含む。
大規模な実験と分析を通じて、我々のデータセットの複雑な関係は、3つのタスクすべてにわたる最先端の手法に固有の課題をもたらし、特に「因果思考」手法の開発において潜在的研究の機会を強調します。
関連論文リスト
- Revisiting Deep Generalized Canonical Correlation Analysis [30.389620125859356]
正準相関解析は、2つ以上の観測されたランダムベクトルの基盤となる潜在共変分法を発見するための古典的な方法である。
CCAの様々な拡張とバリエーションが提案され、マルチビューデータセットから一般的なランダムな要因を明らかにすることで、我々の能力を強化した。
本稿では,近年の深部CCAの決定論的拡張について再考し,これらの最先端手法の強みと限界を強調した。
論文 参考訳(メタデータ) (2023-12-20T22:15:10Z) - SSL Framework for Causal Inconsistency between Structures and
Representations [23.035761299444953]
深層学習と因果発見のクロスポリン化は、画像、ビデオ、テキストなどの統計的でないデータ形式における因果関係の解明を目指す、急成長する研究分野を触媒している。
我々は、不確定データに適した介入戦略を理論的に開発し、因果一貫性条件(CCC)を導出する。
CCCは様々な分野で重要な役割を果たす可能性がある。
論文 参考訳(メタデータ) (2023-10-28T08:29:49Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [85.67870425656368]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳(メタデータ) (2023-10-24T07:46:10Z) - Towards Causal Foundation Model: on Duality between Causal Inference and
Attention [14.14921309395866]
複雑なタスクのための因果認識基盤モデルを構築するための第一歩を踏み出します。
我々はCInA(Causal Inference with Attention)と呼ばれる新しい理論的手法を提案する。
論文 参考訳(メタデータ) (2023-10-01T22:28:34Z) - A Survey of Methods, Challenges and Perspectives in Causality [11.238098505498165]
我々は様々な観点から因果関係の理論と手法を概観する。
フィールドをまとめようという初期の試みと、将来の展望を示します。
論文 参考訳(メタデータ) (2023-02-01T07:47:26Z) - Causal Triplet: An Open Challenge for Intervention-centric Causal
Representation Learning [98.78136504619539]
Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。
この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
論文 参考訳(メタデータ) (2023-01-12T17:43:38Z) - A Review and Roadmap of Deep Learning Causal Discovery in Different
Variable Paradigms [15.483478537540385]
本稿では,原因発見タスクを変数のパラダイムに従って3つのタイプに分割する。
次に、各タスクに関する関連するデータセットと、同時に構築された最終的な因果モデルを定義し、インスタンス化する。
本稿では、因果発見分野における現在の研究ギャップについて、様々な観点からのロードマップを提案する。
論文 参考訳(メタデータ) (2022-09-14T01:52:17Z) - Valid Inference after Causal Discovery [95.20382312836541]
我々は、因果関係発見後の推論に有効なツールを開発する。
因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
論文 参考訳(メタデータ) (2022-08-11T17:40:45Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳(メタデータ) (2022-06-04T22:38:57Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-07T10:14:18Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳(メタデータ) (2021-02-22T15:26:57Z)
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。