論文の概要: Joint Alignment of Multi-Task Feature and Label Spaces for Emotion Cause Pair Extraction

• arxiv url: http://arxiv.org/abs/2209.04112v1
• Date: Fri, 9 Sep 2022 04:06:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-12 12:16:44.407979
• Title: Joint Alignment of Multi-Task Feature and Label Spaces for Emotion Cause Pair Extraction
• Title（参考訳）: 感情原因対抽出のためのマルチタスク特徴とラベル空間の結合アライメント
• Authors: Shunjie Chen, Xiaochuan Shi, Jingye Li, Shengqiong Wu, Hao Fei, Fei Li, Donghong Ji
• Abstract要約: 感情原因ペア抽出(ECPE)は、感情原因分析(ECA)の派生したサブタスクの1つである。 ECPEは感情抽出(EE)と原因抽出(CE)に関連性のある豊富な特徴を共有している
• 参考スコア（独自算出の注目度）: 36.123715709125015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion cause pair extraction (ECPE), as one of the derived subtasks of emotion cause analysis (ECA), shares rich inter-related features with emotion extraction (EE) and cause extraction (CE). Therefore EE and CE are frequently utilized as auxiliary tasks for better feature learning, modeled via multi-task learning (MTL) framework by prior works to achieve state-of-the-art (SoTA) ECPE results. However, existing MTL-based methods either fail to simultaneously model the specific features and the interactive feature in between, or suffer from the inconsistency of label prediction. In this work, we consider addressing the above challenges for improving ECPE by performing two alignment mechanisms with a novel A^2Net model. We first propose a feature-task alignment to explicitly model the specific emotion-&cause-specific features and the shared interactive feature. Besides, an inter-task alignment is implemented, in which the label distance between the ECPE and the combinations of EE&CE are learned to be narrowed for better label consistency. Evaluations of benchmarks show that our methods outperform current best-performing systems on all ECA subtasks. Further analysis proves the importance of our proposed alignment mechanisms for the task.
• Abstract（参考訳）: 感情原因ペア抽出(ECPE)は感情原因分析(ECA)の派生サブタスクの1つであり、感情要因抽出(EE)と原因抽出(CE)とを併せ持つ。 そのため、EE と CE は、マルチタスク学習(MTL)フレームワークを用いて、最先端(SoTA) ECPE 結果を達成するための補助的なタスクとして頻繁に利用される。 しかし、既存のMTLベースの手法では、特定の特徴と対話的な特徴を同時にモデル化できないか、ラベル予測の不整合に悩まされるかのいずれかである。 本研究では、新しいA^2Netモデルを用いて2つのアライメント機構を実行することにより、ECPEを改善する上での課題に対処する。 まず,特定の感情・原因機能と共有対話機能を明確にモデル化する機能タスクアライメントを提案する。 さらに、ECPEとEE&CEの組み合わせ間のラベル距離を狭めることで、より優れたラベル一貫性を実現するためのタスク間アライメントも実装されている。 評価の結果,提案手法は全てのECAサブタスクにおいて,現在の最高性能システムよりも優れていた。 さらに分析した結果,提案するアライメント機構の重要性が証明された。

関連論文リスト

• Enhancing Complex Causality Extraction via Improved Subtask Interaction and Knowledge Fusion [35.14378353659475]
  Event Causality extractは、テキストから因果イベントペアを抽出することを目的としている。 既存の微調整ベースのECEメソッドは、ECEの3つの重要な課題に同時に対処できない。 本稿では,ECE の3つの問題に同時に対処する統合 ECE フレームワーク (UniCE) を提案する。
  論文  参考訳（メタデータ） (2024-08-06T10:15:15Z)
• Emotion-cause pair extraction method based on multi-granularity information and multi-module interaction [0.6577148087211809]
  感情に起因したペア抽出の目的は、感情の1対の節を抽出し、原因の節を抽出することである。 既存のモデルは、サンプルの感情や原因による位置不均衡に適切に対処しない。 本稿では,GRU,知識グラフ,変圧器モジュール間の共有相互作用に基づくエンドツーエンドマルチタスクモデル(MM-ECPE)を提案する。
  論文  参考訳（メタデータ） (2024-04-10T08:00:26Z)
• Enhancing Large Language Model with Decomposed Reasoning for Emotion Cause Pair Extraction [13.245873138716044]
  Emotion-Cause Pair extract (ECPE) は、感情とその原因を表す節対を文書で抽出する。 近年の成果から着想を得て,大規模言語モデル(LLM)を活用してECPEタスクに追加のトレーニングを加えることなく対処する方法について検討した。 人間の認知過程を模倣するチェーン・オブ・シントを導入し,Decomposed Emotion-Cause Chain (DECC) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-31T10:20:01Z)
• A Novel Energy based Model Mechanism for Multi-modal Aspect-Based Sentiment Analysis [85.77557381023617]
  マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。 PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。 EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
  論文  参考訳（メタデータ） (2023-12-13T12:00:46Z)
• Instruction Tuning for Few-Shot Aspect-Based Sentiment Analysis [72.9124467710526]
  生成的アプローチは、テキストから(1つ以上の)4つの要素を1つのタスクとして抽出するために提案されている。 本稿では,ABSAを解くための統一的なフレームワークと,それに関連するサブタスクを提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:38:57Z)
• Attentive Max Feature Map for Acoustic Scene Classification with Joint Learning considering the Abstraction of Classes [48.6946385738143]
  本稿では,注意機構の解明と現象の緩和のために,注意と最大特徴写像の2つの効果的な手法を組み合わせた注意最大特徴写像と呼ばれる機構を提案する。 提案手法を2つ適用し,サブタスクA上での単一システム間の最先端の性能を実現した。
  論文  参考訳（メタデータ） (2021-04-15T03:14:15Z)
• An End-to-End Network for Emotion-Cause Pair Extraction [3.016628653955123]
  Emotion-Cause Pair Extraction (ECPE)タスクのエンドツーエンドモデルを提案する。 英語ECPEコーパスが利用できないため、NCCIR-13 ECEコーパスを適応させ、このデータセット上にECPEタスクのベースラインを確立します。
  論文  参考訳（メタデータ） (2021-03-02T08:03:03Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)
• An Iterative Multi-Knowledge Transfer Network for Aspect-Based Sentiment Analysis [73.7488524683061]
  本稿では,エンド・ツー・エンドABSAのための新しいIterative Multi-Knowledge Transfer Network (IMKTN)を提案する。 我々のIMKTNは、よく設計されたルーティングアルゴリズムを用いて、3つのサブタスクのうち2つのタスク固有の知識をトークンレベルで別のタスクに転送する。 3つのベンチマークデータセットの実験結果は、我々のアプローチの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2020-04-04T13:49:54Z)
• End-to-end Emotion-Cause Pair Extraction via Learning to Link [18.741585103275334]
  感情原因ペア抽出(ECPE)は、文書中の感情とその根本原因を共同で調査することを目的としている。 既存のECPEのアプローチでは、(1)感情と原因の検出、(2)検出された感情と原因のペアリングという2段階の手法が一般的である。 本稿では, 感情, 原因, 感情原因のペアをエンドツーエンドで同時に抽出できるマルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-25T07:49:12Z)

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。