論文の概要: Should We Rely on Entity Mentions for Relation Extraction? Debiasing Relation Extraction with Counterfactual Analysis

• arxiv url: http://arxiv.org/abs/2205.03784v1
• Date: Sun, 8 May 2022 05:13:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-11 07:36:42.107649
• Title: Should We Rely on Entity Mentions for Relation Extraction? Debiasing Relation Extraction with Counterfactual Analysis
• Title（参考訳）: 関係抽出のためにエンティティ参照に頼るべきか? 逆解析によるデバイアス関係抽出
• Authors: Yiwei Wang, Muhao Chen, Wenxuan Zhou, Yujun Cai, Yuxuan Liang, Dayiheng Liu, Baosong Yang, Juncheng Liu, Bryan Hooi
• Abstract要約: 文レベルの関係抽出のためのCORE(Counterfactual Analysis based Relation extract)デバイアス法を提案する。 我々のCORE法は,トレーニングプロセスを変更することなく,推論中に既存のREシステムを劣化させるモデルに依存しない。
• 参考スコア（独自算出の注目度）: 60.83756368501083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent literature focuses on utilizing the entity information in the sentence-level relation extraction (RE), but this risks leaking superficial and spurious clues of relations. As a result, RE still suffers from unintended entity bias, i.e., the spurious correlation between entity mentions (names) and relations. Entity bias can mislead the RE models to extract the relations that do not exist in the text. To combat this issue, some previous work masks the entity mentions to prevent the RE models from overfitting entity mentions. However, this strategy degrades the RE performance because it loses the semantic information of entities. In this paper, we propose the CORE (Counterfactual Analysis based Relation Extraction) debiasing method that guides the RE models to focus on the main effects of textual context without losing the entity information. We first construct a causal graph for RE, which models the dependencies between variables in RE models. Then, we propose to conduct counterfactual analysis on our causal graph to distill and mitigate the entity bias, that captures the causal effects of specific entity mentions in each instance. Note that our CORE method is model-agnostic to debias existing RE systems during inference without changing their training processes. Extensive experimental results demonstrate that our CORE yields significant gains on both effectiveness and generalization for RE. The source code is provided at: https://github.com/vanoracai/CoRE.
• Abstract（参考訳）: 最近の文献では、文レベルの関係抽出(re)におけるエンティティ情報の利用に焦点が当てられているが、表層的および散発的な関係の手がかりを漏らすリスクがある。 結果として、REは意図しない実体バイアス、すなわちエンティティの言及(名前)と関係の間の急激な相関に悩まされている。 エンティティバイアスはreモデルを誤解して、テキストに存在しない関係を抽出することができる。 この問題に対処するために、エンティティが言及したいくつかの以前のワークマスクは、REモデルがエンティティの言及を過度に適合させないようにしている。 しかし、この戦略はエンティティのセマンティック情報を失うため、RE性能を低下させる。 本稿では,reモデルにエンティティ情報を失うことなく,テキストコンテキストの主な効果に焦点をあてるように誘導する,コア(国語分析に基づく関係抽出)デバイアス手法を提案する。 まず、REモデルの変数間の依存性をモデル化したREの因果グラフを構築する。 そこで,本研究では,各事例における特定の実体言及の因果関係を抽出・緩和するために,因果関係グラフの反実解析を行うことを提案する。 また,CORE法はトレーニングプロセスを変更することなく,推論中に既存のREシステムを劣化させるモデルに依存しない。 大規模実験の結果, CORE は RE の有効性と一般化の両面で有意な利益をもたらすことが示された。 ソースコードはhttps://github.com/vanoracai/core.com/で提供される。

関連論文リスト

• How Fragile is Relation Extraction under Entity Replacements? [70.34001923252711]
  関係抽出(RE)は、テキストコンテキストからエンティティ名間の関係を抽出することを目的としている。 既存の研究によると、REはエンティティ名パターンをモデル化し、テキストコンテキストを無視しながらRE予測を行う。 これは、REモデルはエンティティの置換に対して堅牢か?」という疑問を提起する動機になります。
  論文  参考訳（メタデータ） (2023-05-22T23:53:32Z)
• Think Rationally about What You See: Continuous Rationale Extraction for Relation Extraction [86.90265683679469]
  関係抽出は、2つの実体の文脈に応じてポテンシャル関係を抽出することを目的としている。 本稿では2つの連続性と疎性係数を利用するRE2という新しい論理抽出フレームワークを提案する。 4つのデータセットの実験は、RE2がベースラインを超えたことを示している。
  論文  参考訳（メタデータ） (2023-05-02T03:52:34Z)
• Summarization as Indirect Supervision for Relation Extraction [23.98136192661566]
  本稿では,関係抽出(RE)を要約式に変換するSuREを提案する。 我々は,要約タスクとREタスクの定式化を本質的に橋渡しする文・関係変換手法を開発した。 3つのデータセットの実験では、フルデータセットと低リソースの両方でSuREの有効性が示されている。
  論文  参考訳（メタデータ） (2022-05-19T20:25:29Z)
• Automatically Generating Counterfactuals for Relation Exaction [18.740447044960796]
  関係抽出(RE)は自然言語処理の基本課題である。 現在のディープニューラルモデルは高い精度を達成しているが、スプリアス相関の影響を受けやすい。 我々は、エンティティの文脈的反事実を導出するための新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2022-02-22T04:46:10Z)
• 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)
• Learning from Context or Names? An Empirical Study on Neural Relation Extraction [112.06614505580501]
  テキストにおける2つの主要な情報ソースの効果について検討する:テキストコンテキストとエンティティ参照(名前) 本稿では,関係抽出のための実体型コントラスト事前学習フレームワーク(RE)を提案する。 我々のフレームワークは、異なるREシナリオにおけるニューラルモデルの有効性と堅牢性を改善することができる。
  論文  参考訳（メタデータ） (2020-10-05T11:21:59Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。