Fugu-MT 論文翻訳(概要): Modeling Document-level Temporal Structures for Building Temporal Dependency Graphs

論文の概要: Modeling Document-level Temporal Structures for Building Temporal Dependency Graphs

arxiv url: http://arxiv.org/abs/2210.11787v1
Date: Fri, 21 Oct 2022 07:45:17 GMT
ステータス: 処理完了
システム内更新日: 2022-10-24 14:44:10.571614
Title: Modeling Document-level Temporal Structures for Building Temporal Dependency Graphs
Title（参考訳）: 時間依存グラフ構築のための文書レベルの時間構造モデリング
Authors: Prafulla Kumar Choubey and Ruihong Huang
Abstract要約: 本稿では、ニュース談話のプロファイリングを利用して、時間依存グラフ構築のための文書レベルの時間構造をモデル化する。我々のキーとなる観察は、ニュース談話のプロファイリングに使用される文の機能的役割が、ニュース記事に関連する異なる時間枠を表わし、文書のグローバルな時間構造を復元する助けとなることである。
参考スコア（独自算出の注目度）: 31.32005522003613
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose to leverage news discourse profiling to model document-level temporal structures for building temporal dependency graphs. Our key observation is that the functional roles of sentences used for profiling news discourse signify different time frames relevant to a news story and can, therefore, help to recover the global temporal structure of a document. Our analyses and experiments with the widely used knowledge distillation technique show that discourse profiling effectively identifies distant inter-sentence event and (or) time expression pairs that are temporally related and otherwise difficult to locate.
Abstract（参考訳）: 本稿では,ニュース談話のプロファイリングを活用し,時間依存グラフ構築のための文書レベルの時間構造をモデル化する。我々は,ニュース談話のプロファイリングに使用される文の機能的役割が,ニュース記事に関連する異なる時間枠を表わし,文書の全体的時間構造を回復するのに役立つことを重要視している。広く用いられている知識蒸留技術を用いて分析および実験を行ったところ,言論のプロファイリングは時間的関係が強く,発見が困難である遠隔イベントと(あるいは)時間表現ペアを効果的に識別できることがわかった。

関連論文リスト

Visualizing Temporal Topic Embeddings with a Compass [1.5184974790808403]
本稿では,コンパス整列時相Word2Vec手法を動的トピックモデリングに拡張することを提案する。このような手法により、動的トピックにおける時間にわたって単語と文書の埋め込みを直接比較することができる。
論文参考訳（メタデータ） (2024-09-16T18:29:19Z)
Analysis of Plan-based Retrieval for Grounded Text Generation [78.89478272104739]
幻覚は、言語モデルがそのパラメトリック知識の外で生成タスクが与えられるときに起こる。この制限に対処するための一般的な戦略は、言語モデルに検索メカニズムを注入することである。我々は,幻覚の頻度をさらに減少させるために,探索のガイドとして計画をどのように利用できるかを分析する。
論文参考訳（メタデータ） (2024-08-20T02:19:35Z)
Document Structure in Long Document Transformers [64.76981299465885]
長い文書は、しばしばセクションヘッダーや段落のような異なる機能で階層的に整理された要素を持つ構造を示す。文書構造の不明瞭さにもかかわらず、自然言語処理(NLP)におけるその役割はいまだに不透明である。長期文書変換モデルは事前学習中に文書構造の内部表現を取得するか? 事前トレーニング後に構造情報をモデルに伝達するにはどうすればよいのか、下流のパフォーマンスにどのように影響するのか?
論文参考訳（メタデータ） (2024-01-31T08:28:06Z)
ATLANTIC: Structure-Aware Retrieval-Augmented Language Model for Interdisciplinary Science [0.0]
大きな言語モデルは、多くの自然言語処理タスクで印象的なパフォーマンスを記録します。 Retrieval augmentationは、外部の知識ソースからコンテキストを取得することで、効果的なソリューションを提供する。本稿では,検索強化時に文書構造に対応する構造対応検索言語モデルを提案する。
論文参考訳（メタデータ） (2023-11-21T02:02:46Z)
Fusing Temporal Graphs into Transformers for Time-Sensitive Question Answering [11.810810214824183]
長い文書から時間に敏感な質問に答えるには、質問や文書の時間的推論が必要である。既存の時間情報抽出システムを用いて、質問や文書における事象、時間、時間関係の時間グラフを構築する。実験結果から, 時間グラフを入力テキストに融合する手法は, トランスフォーマーモデルの時間的推論能力を大幅に向上させることが示された。
論文参考訳（メタデータ） (2023-10-30T06:12:50Z)
Model Criticism for Long-Form Text Generation [113.13900836015122]
我々は,テキストの高レベル構造を評価するために,潜在空間におけるモデル批判という統計ツールを適用した。我々は,コヒーレンス,コア,トピックスという,ハイレベルな談話の3つの代表的な側面について実験を行った。トランスフォーマーベースの言語モデルでは、トピック構造をキャプチャできるが、構造コヒーレンスやモデリングコアスを維持するのが難しくなる。
論文参考訳（メタデータ） (2022-10-16T04:35:58Z)
Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文参考訳（メタデータ） (2022-04-25T19:06:48Z)
Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
論文参考訳（メタデータ） (2022-04-10T22:24:11Z)
Structure Extraction in Task-Oriented Dialogues with Slot Clustering [94.27806592467537]
タスク指向対話では、対話構造はしばしば対話状態間の遷移グラフと見なされている。本稿では,タスク指向対話における構造抽出のための簡易かつ効果的な手法を提案する。
論文参考訳（メタデータ） (2022-02-28T20:18:12Z)
Neural Deepfake Detection with Factual Structure of Text [78.30080218908849]
テキストのディープフェイク検出のためのグラフベースモデルを提案する。我々のアプローチは、ある文書の事実構造をエンティティグラフとして表現する。本モデルでは,機械生成テキストと人文テキストの事実構造の違いを識別することができる。
論文参考訳（メタデータ） (2020-10-15T02:35:31Z)

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。