論文の概要: ERGO: Event Relational Graph Transformer for Document-level Event Causality Identification

• arxiv url: http://arxiv.org/abs/2204.07434v1
• Date: Fri, 15 Apr 2022 12:12:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-18 14:44:15.284763
• Title: ERGO: Event Relational Graph Transformer for Document-level Event Causality Identification
• Title（参考訳）: ERGO:文書レベルの事象因果同定のためのイベントリレーショナルグラフ変換器
• Authors: Meiqi Chen, Yixin Cao, Kunquan Deng, Mukai Li, Kun Wang, Jing Shao and Yan Zhang
• Abstract要約: イベントレベルのイベント因果同定(DECI)は、文書内のイベントペア間の因果関係を特定することを目的としている。 DeCIのための新しいグラフトランスフォーマー(ERGO)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.894074201193927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document-level Event Causality Identification (DECI) aims to identify causal relations between event pairs in a document. It poses a great challenge of across-sentence reasoning without clear causal indicators. In this paper, we propose a novel Event Relational Graph TransfOrmer (ERGO) framework for DECI, which improves existing state-of-the-art (SOTA) methods upon two aspects. First, we formulate DECI as a node classification problem by constructing an event relational graph, without the needs of prior knowledge or tools. Second, ERGO seamlessly integrates event-pair relation classification and global inference, which leverages a Relational Graph Transformer (RGT) to capture the potential causal chain. Besides, we introduce edge-building strategies and adaptive focal loss to deal with the massive false positives caused by common spurious correlation. Extensive experiments on two benchmark datasets show that ERGO significantly outperforms previous SOTA methods (13.1% F1 gains on average). We have conducted extensive quantitative analysis and case studies to provide insights for future research directions (Section 4.8).
• Abstract（参考訳）: 文書レベルのイベント因果同定(DECI)は、文書内のイベントペア間の因果関係を特定することを目的としている。 明確な因果指示なしで、文間推論という大きな課題を生じさせる。 本稿では,既存のsota(state-of-the-art)メソッドを2つの側面で改善した,deciのための新しいイベントリレーショナルグラフトランスフォーマ(ergo)フレームワークを提案する。 まず,事前知識やツールの必要なしに,イベント関係グラフを構築することにより,ノード分類問題としてdeciを定式化する。 第2に、ERGOはイベントペア関係分類とグローバル推論をシームレスに統合し、リレーショナルグラフ変換器(RGT)を利用して潜在的な因果連鎖を捕捉する。 また,共通スプリアス相関による大規模偽陽性に対処するために,エッジ構築戦略と適応焦点損失を導入する。 2つのベンチマークデータセットの大規模な実験により、ERGOは従来のSOTA法(平均13.1%のF1ゲイン)を大幅に上回っている。 我々は,今後の研究方向性に関する知見を提供するために,広範な定量的分析と事例研究を実施している(第4.8節)。

関連論文リスト

• Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering [30.000134835133522]
  事象因果同定(DECI)は、文書中の2つの事象間の因果関係を特定することを目的としている。 近年の研究では、事前訓練された言語モデルを用いて事象因果関係を生成する傾向にある。 本稿では,合理的かつ構造を考慮した因果的質問応答による事象因果同定を強化するためのマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-17T07:41:58Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Event Causality Extraction with Event Argument Correlations [13.403222002600558]
  Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。 本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
  論文  参考訳（メタデータ） (2023-01-27T09:48:31Z)
• Improve Event Extraction via Self-Training with Gradient Guidance [10.618929821822892]
  本稿では、イベント抽出の進行を妨げる主な要因を克服するために、フィードバックによる自己評価(STF)フレームワークを提案する。 STFは,(1)既存のイベントアノテーションに基づいてトレーニングされたベースイベント抽出モデルと,(2)新しいイベント参照を擬似トレーニングサンプルとして予測するための大規模未ラベルコーパスと,(2)新しいイベントトリガ,引数,引数ロール,およびAMRグラフ内のそれらのパスを用いて互換性スコアを推定する新たなスコアリングモデルから構成される。 ACE05-E、ACE05-E+、EREを含む3つのベンチマークデータセットの実験結果
  論文  参考訳（メタデータ） (2022-05-25T04:40:17Z)
• ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification [74.6318379374801]
  本稿では,イベント中心推論のための一般相関対応コンテキスト・イベント変換器(ClarET)の事前学習を提案する。 提案されたClarETは、幅広いイベント中心の推論シナリオに適用できる。
  論文  参考訳（メタデータ） (2022-03-04T10:11:15Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Improving Event Causality Identification via Self-Supervised Representation Learning on External Causal Statement [17.77752074834281]
  イベント因果同定に外部因果文を活用するCauSeRLを提案する。 まず、外部因果文から文脈固有の因果パターンを学習するための自己教師型フレームワークを設計する。 我々は、学習した文脈固有の因果パターンを対象のECIモデルに組み込むために、コントラッシブトランスファー戦略を採用する。
  論文  参考訳（メタデータ） (2021-06-03T07:50:50Z)
• Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker [23.990907956996413]
  文書レベルのイベント抽出は、記事全体からイベント情報を認識することを目的としている。 この2つの課題のために既存の手法は有効ではない。 トラッカーを用いた異種グラフベースインタラクションモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-31T12:45:03Z)

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。