論文の概要: A Hybrid Model of Classification and Generation for Spatial Relation
Extraction
- arxiv url: http://arxiv.org/abs/2208.06961v1
- Date: Mon, 15 Aug 2022 01:31:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 13:32:42.819593
- Title: A Hybrid Model of Classification and Generation for Spatial Relation
Extraction
- Title(参考訳): 空間的関係抽出のための分類と生成のハイブリッドモデル
- Authors: Feng Wang Peifeng Li and Qiaoming Zhu
- Abstract要約: 本稿ではまず,空間関係抽出を生成課題とみなし,新しいハイブリッドモデル HMCGR を提案する。
SpaceEvalの実験結果によると、HMCGRはSOTAのベースラインを大きく上回っている。
- 参考スコア(独自算出の注目度): 10.611528850772869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting spatial relations from texts is a fundamental task for natural
language understanding and previous studies only regard it as a classification
task, ignoring those spatial relations with null roles due to their poor
information. To address the above issue, we first view spatial relation
extraction as a generation task and propose a novel hybrid model HMCGR for this
task. HMCGR contains a generation and a classification model, while the former
can generate those null-role relations and the latter can extract those
non-null-role relations to complement each other. Moreover, a reflexivity
evaluation mechanism is applied to further improve the accuracy based on the
reflexivity principle of spatial relation. Experimental results on SpaceEval
show that HMCGR outperforms the SOTA baselines significantly.
- Abstract(参考訳): テキストから空間関係を抽出することは自然言語理解の基本的な課題であり、以前の研究では分類タスクとしてのみ考慮しており、その知識の乏しいため、空間関係をヌルの役割で無視している。
上記の課題に対処するため、まず空間関係抽出を生成タスクとみなし、新しいハイブリッドモデル HMCGR を提案する。
HMCGRは生成と分類モデルを含み、前者はこれらのヌルロール関係を生成でき、後者はそれらの非ヌルロール関係を抽出して相互に補完することができる。
さらに、空間関係の反射率原理に基づいて精度をさらに向上させる反射率評価機構を適用する。
SpaceEvalの実験結果によると、HMCGRはSOTAのベースラインを大きく上回っている。
関連論文リスト
- Deep Regression Representation Learning with Topology [57.203857643599875]
回帰表現の有効性は,そのトポロジによってどのように影響されるかを検討する。
本稿では,特徴空間の内在次元と位相を対象空間と一致させる正則化器PH-Regを紹介する。
合成および実世界の回帰タスクの実験はPH-Regの利点を示している。
論文 参考訳(メタデータ) (2024-04-22T06:28:41Z) - GenRES: Rethinking Evaluation for Generative Relation Extraction in the
Era of Large Language Models [48.56814147033251]
我々は、GRE結果の類似性、特異性、粒度、事実性、完全性の観点から、多次元評価のためのGenRESを紹介する。
GenRESでは、精度/リコールがGREメソッドの性能を正当化できないことを実証的に確認した。
次に、GRE手法のヒト評価を行い、GenRESがRE品質に対するヒトの嗜好と一致していることを示す。
論文 参考訳(メタデータ) (2024-02-16T15:01:24Z) - Entity or Relation Embeddings? An Analysis of Encoding Strategies for
Relation Extraction [22.469469997734965]
関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。
既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。
本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
論文 参考訳(メタデータ) (2023-12-18T09:58:19Z) - Siamese Representation Learning for Unsupervised Relation Extraction [5.776369192706107]
非教師付き関係抽出(URE)は、オープンドメインのプレーンテキストから名前付きエンティティペア間の基礎となる関係を見つけることを目的としている。
比較学習を利用した既存のUREモデルでは、正のサンプルを惹きつけ、より良い分離を促進するために負のサンプルを反発させる効果がある。
非教師関係抽出のためのシームズ表現学習 - 正のペアを単純に活用して表現学習を行う新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-01T02:57:43Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [97.91714896039421]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳(メタデータ) (2023-09-20T08:11:58Z) - Understanding Augmentation-based Self-Supervised Representation Learning
via RKHS Approximation and Regression [53.15502562048627]
最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。
この研究は、増強に基づく事前訓練の統計的分析に発展する。
論文 参考訳(メタデータ) (2023-06-01T15:18:55Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳(メタデータ) (2023-03-02T06:33:48Z) - EiHi Net: Out-of-Distribution Generalization Paradigm [6.33280703577189]
EiHi netは、どんな視覚的バックボーンでも祝福できるモデル学習パラダイムである。
本稿では,ディープラーニングにおけるOoD(Out-of-distriion)の一般化問題を解決するために,新しいEeiHiネットを開発した。
論文 参考訳(メタデータ) (2022-09-29T17:08:12Z) - HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised
Relation Extraction [60.80849503639896]
非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文から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。
本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。
2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
論文 参考訳(メタデータ) (2022-05-04T17:56:48Z) - 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)
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。