論文の概要: A Masked Image Reconstruction Network for Document-level Relation Extraction

• arxiv url: http://arxiv.org/abs/2204.09851v1
• Date: Thu, 21 Apr 2022 02:41:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 12:54:16.551466
• Title: A Masked Image Reconstruction Network for Document-level Relation Extraction
• Title（参考訳）: 文書レベル関係抽出のためのマスク画像再構成ネットワーク
• Authors: Liang Zhang, Yidong Cheng
• Abstract要約: 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。
• 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 aims to extract relations among entities within a document. Compared with its sentence-level counterpart, Document-level relation extraction requires inference over multiple sentences to extract complex relational triples. Previous research normally complete reasoning through information propagation on the mention-level or entity-level document-graphs, regardless of the correlations between the relationships. In this paper, we propose a novel Document-level Relation Extraction model based on a Masked Image Reconstruction network (DRE-MIR), which models inference as a masked image reconstruction problem to capture the correlations between relationships. Specifically, we first leverage an encoder module to get the features of entities and construct the entity-pair matrix based on the features. After that, we look on the entity-pair matrix as an image and then randomly mask it and restore it through an inference module to capture the correlations between the relationships. We evaluate our model on three public document-level relation extraction datasets, i.e. DocRED, CDR, and GDA. Experimental results demonstrate that our model achieves state-of-the-art performance on these three datasets and has excellent robustness against the noises during the inference process.
• Abstract（参考訳）: 文書レベルの関係抽出は、文書内のエンティティ間の関係を抽出することを目的としている。 文レベルの関係抽出では、複雑な関係三重項を抽出するために複数の文に対する推論が必要となる。 従来の研究は通常、関係の相関関係に関わらず、言及レベルやエンティティレベルのドキュメントグラフの情報伝達を通じて完全な推論を行う。 本論文では,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。 具体的には、まずエンコーダモジュールを利用してエンティティの機能を取得し、その機能に基づいてentity-pairマトリックスを構築します。 その後、エンティティペア行列を画像として検討し、ランダムにマスクし、推論モジュールを通して復元し、関係間の相関関係をキャプチャする。 本稿では,DocRED,CDR,GDAの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検討する。 実験により,本モデルがこれらの3つのデータセットの最先端性能を達成し,推定過程における雑音に対する優れた頑健性を示した。

関連論文リスト

• Exposing and Mitigating Spurious Correlations for Cross-Modal Retrieval [89.30660533051514]
  クロスモーダル検索は、クエリ画像に最もよくマッチするテキストのデータベースを検索するのに好まれるツールである。 画像テキスト検索モデルは通常、頻繁なオブジェクト共起など、トレーニングデータに刺激的な相関関係を学習する。 ODmAP@kは,モデルのロバスト性を測定するオブジェクトデコリレーション・メトリックであり,トレーニングデータに刺激的な相関関係を示す。
  論文  参考訳（メタデータ） (2023-04-06T21:45:46Z)
• 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)
• RelationPrompt: Leveraging Prompts to Generate Synthetic Data for Zero-Shot Relation Triplet Extraction [65.4337085607711]
  ゼロショット関係トリプルト抽出(ZeroRTE)のタスク設定について紹介する。 入力文が与えられた後、抽出された各三重項は、トレーニング段階で関係ラベルが見えないヘッドエンティティ、リレーションラベル、テールエンティティから構成される。 本稿では、言語モデルに構造化テキストを生成するよう促すことで、関係例を合成する。
  論文  参考訳（メタデータ） (2022-03-17T05:55:14Z)
• 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)
• D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
  この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。 本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。 約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
  論文  参考訳（メタデータ） (2021-09-10T22:30:48Z)
• Eider: Evidence-enhanced Document-level Relation Extraction [56.71004595444816]
  文書レベルの関係抽出(DocRE)は、文書内のエンティティペア間の意味関係を抽出することを目的としている。 本稿では,共同関係と証拠抽出,エビデンス中心関係抽出(RE),抽出結果の融合からなる3段階のエビデンス強化DocREフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T09:43:16Z)
• 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)
• Mention-centered Graph Neural Network for Document-level Relation Extraction [2.724649366608364]
  我々は, 相互関係関係を推定することで, 相互関係を構築する。 実験は、異なる言及間の接続が文書レベルの関係抽出に重要であることを示している。
  論文  参考訳（メタデータ） (2021-03-15T08:19:44Z)
• Document-Level Relation Extraction with Reconstruction [28.593318203728963]
  文書レベルの関係抽出(DocRE)のための新しいエンコーダ分類器再構成モデルを提案する。 再構築器は、グラフ表現からの基底経路依存性を再構築し、提案されたDocREモデルがトレーニングにおけるエンティティペアと関係をエンコードすることにもっと注意を払っていることを確認する。 大規模docreデータセットにおける実験結果から,提案モデルにより,グラフベースラインにおける関係抽出精度が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-12-21T14:29:31Z)
• Relation Extraction with Contextualized Relation Embedding (CRE) [6.030060645424665]
  本稿では,意味情報と知識ベースモデリングを統合した関係抽出タスクのアーキテクチャを提案する。 本稿では、関係抽出においてKBモデリングを内部化するモデルアーキテクチャを提案する。 提案したCREモデルは、The New York Times Annotated CorpusとFreeBaseから派生したデータセット上でのアートパフォーマンスの状態を達成している。
  論文  参考訳（メタデータ） (2020-11-19T05:19:46Z)
• Reasoning with Latent Structure Refinement for Document-Level Relation Extraction [20.308845516900426]
  本稿では,潜在文書レベルグラフを自動的に誘導することにより,文間の関係推論を促進する新しいモデルを提案する。 具体的には、大規模文書レベルデータセット(DocRED)上でF1スコア59.05を達成する。
  論文  参考訳（メタデータ） (2020-05-13T13:36:09Z)

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。