論文の概要: Summarization as Indirect Supervision for Relation Extraction

• arxiv url: http://arxiv.org/abs/2205.09837v1
• Date: Thu, 19 May 2022 20:25:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 13:41:57.310719
• Title: Summarization as Indirect Supervision for Relation Extraction
• Title（参考訳）: 関係抽出のための間接スーパービジョンとしての要約
• Authors: Keming Lu, I-Hung Hsu, Wenxuan Zhou, Mingyu Derek Ma, Muhao Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.98136192661566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relation extraction (RE) models have been challenged by their reliance on training data with expensive annotations. Considering that summarization tasks aim at acquiring concise expressions of synoptical information from the longer context, these tasks naturally align with the objective of RE, i.e., extracting a kind of synoptical information that describes the relation of entity mentions. We present SuRE, which converts RE into a summarization formulation. SuRE leads to more precise and resource-efficient RE based on indirect supervision from summarization tasks. To achieve this goal, we develop sentence and relation conversion techniques that essentially bridge the formulation of summarization and RE tasks. We also incorporate constraint decoding techniques with Trie scoring to further enhance summarization-based RE with robust inference. Experiments on three RE datasets demonstrate the effectiveness of SuRE in both full-dataset and low-resource settings, showing that summarization is a promising source of indirect supervision to improve RE models.
• Abstract（参考訳）: リレーションレーション抽出(re)モデルは、高価なアノテーションによるトレーニングデータに依存することで挑戦されている。 要約タスクは、より長い文脈から合成情報の簡潔な表現を取得することを目的としており、これらのタスクは自然にREの目的、すなわちエンティティ参照の関係を記述した合成情報の抽出と一致する。 本稿では,REを要約式に変換するSuREを提案する。 SuREは、要約タスクからの間接的な監督に基づいて、より正確でリソース効率のよいREをもたらす。 この目的を達成するために、要約と再タスクの定式化を本質的に橋渡しする文と関係変換技術を開発する。 また,制約復号化手法をTrieスコアに組み込んで,ロバスト推論による要約型REをさらに強化する。 3つのREデータセットの実験は、完全なデータセットと低リソースの両方でSuREの有効性を実証し、REモデルを改善するための間接的監督の有望な源であることを示す。

関連論文リスト

• AMR-RE: Abstract Meaning Representations for Retrieval-Based In-Context Learning in Relation Extraction [9.12646853282321]
  関係抽出のためのAMR強化検索に基づくICL法を提案する。 本モデルでは,タスク入力とトレーニングサンプル間の意味的構造的類似性に基づいて,文脈内サンプルを検索する。
  論文  参考訳（メタデータ） (2024-06-14T22:36:08Z)
• Retrieval-Augmented Generation-based Relation Extraction [0.0]
  Retrieved-Augmented Generation-based Relation extract (RAG4RE) を提案する。 本研究は,Large Language Models (LLM) を用いたRAG4RE手法の有効性を評価する。 我々のRAG4REアプローチが従来のREアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-20T14:42:43Z)
• Enhancing Low-Resource Relation Representations through Multi-View Decoupling [21.32064890807893]
  本稿では,MVREという新しいプロンプトに基づく関係表現手法を提案する。 MVREは、各関係を異なる視点に分離し、多視点関係表現を包含する。 提案手法は,低リソース環境下での最先端化を実現する。
  論文  参考訳（メタデータ） (2023-12-26T14:16:16Z)
• Continual Contrastive Finetuning Improves Low-Resource Relation Extraction [34.76128090845668]
  関係抽出は低リソースのシナリオやドメインでは特に困難である。 近年の文献は自己教師型学習によって低リソースREに取り組みつつある。 コントラスト学習の一貫した目的を用いたREモデルの事前学習と微調整を提案する。
  論文  参考訳（メタデータ） (2022-12-21T07:30:22Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• Should We Rely on Entity Mentions for Relation Extraction? Debiasing Relation Extraction with Counterfactual Analysis [60.83756368501083]
  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。
  論文  参考訳（メタデータ） (2022-05-08T05:13:54Z)
• 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)
• Adjacency List Oriented Relational Fact Extraction via Adaptive Multi-task Learning [24.77542721790553]
  本稿では,すべての事実抽出モデルをグラフ指向分析の観点から整理可能であることを示す。 この分析枠組みに基づいて,効率的なモデルaDjacency lIst oRientational faCT(Direct)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T02:57:08Z)
• Abstractive Query Focused Summarization with Query-Free Resources [60.468323530248945]
  本稿では,汎用的な要約リソースのみを利用して抽象的なqfsシステムを構築する問題を考える。 本稿では,要約とクエリのための新しい統一表現からなるMasked ROUGE回帰フレームワークであるMargeを提案する。 最小限の監視から学習したにもかかわらず,遠隔管理環境において最先端の結果が得られた。
  論文  参考訳（メタデータ） (2020-12-29T14:39:35Z)
• Multi-task Collaborative Network for Joint Referring Expression Comprehension and Segmentation [135.67558811281984]
  表現理解(REC)とセグメンテーション(RES)を併用した共同学習を実現するための新しいマルチタスク協調ネットワーク(MCN)を提案する。 MCNでは、RESはRECがよりよい言語ビジョンアライメントを達成するのに役立ち、RECはRESが参照者を見つけるのに役立ちます。 我々は,このマルチタスク・セットアップにおいて,一貫性エネルギー最大化 (Consistency Energy Maximization, CEM) と適応ソフト非局所抑制 (Adaptive Soft Non-Located Suppression, ASNLS) という2つのイノベーティブな設計による予測競合という重要な課題に対処する。
  論文  参考訳（メタデータ） (2020-03-19T14:25:18Z)

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。