論文の概要: Event-Centric Question Answering via Contrastive Learning and Invertible Event Transformation

• arxiv url: http://arxiv.org/abs/2210.12902v1
• Date: Mon, 24 Oct 2022 01:15:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 16:33:59.189229
• Title: Event-Centric Question Answering via Contrastive Learning and Invertible Event Transformation
• Title（参考訳）: コントラスト学習と可逆イベント変換によるイベント中心質問応答
• Authors: Junru Lu, Xingwei Tan, Gabriele Pergola, Lin Gui, Yulan He
• Abstract要約: そこで我々は,TranCLRと呼ばれる,対照的な学習と可逆的なイベント変換を備えた新しいQAモデルを提案する。 提案モデルは,イベントの意味的ベクトルを共通事象埋め込み空間に投影し,コントラスト学習で学習し,イベントの意味的知識を主流のQAパイプラインに自然に注入するために,可逆変換行列を利用する。
• 参考スコア（独自算出の注目度）: 29.60817278635999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human reading comprehension often requires reasoning of event semantic relations in narratives, represented by Event-centric Question-Answering (QA). To address event-centric QA, we propose a novel QA model with contrastive learning and invertible event transformation, call TranCLR. Our proposed model utilizes an invertible transformation matrix to project semantic vectors of events into a common event embedding space, trained with contrastive learning, and thus naturally inject event semantic knowledge into mainstream QA pipelines. The transformation matrix is fine-tuned with the annotated event relation types between events that occurred in questions and those in answers, using event-aware question vectors. Experimental results on the Event Semantic Relation Reasoning (ESTER) dataset show significant improvements in both generative and extractive settings compared to the existing strong baselines, achieving over 8.4% gain in the token-level F1 score and 3.0% gain in Exact Match (EM) score under the multi-answer setting. Qualitative analysis reveals the high quality of the generated answers by TranCLR, demonstrating the feasibility of injecting event knowledge into QA model learning. Our code and models can be found at https://github.com/LuJunru/TranCLR.
• Abstract（参考訳）: 人間の読み理解は、しばしば物語におけるイベント意味関係の推論を必要とし、イベント中心の質問応答(qa)によって表される。 イベント中心のQAに対処するため、TranCLRと呼ばれる対照的な学習と可逆的なイベント変換を備えた新しいQAモデルを提案する。 提案モデルは,イベントの意味的ベクトルを共通事象埋め込み空間に投影し,コントラスト学習で学習し,イベントの意味的知識を主流のQAパイプラインに自然に注入するために,可逆変換行列を利用する。 変換行列は、イベント認識質問ベクトルを用いて、質問で発生したイベントと回答中のイベントの注釈付きイベント関係タイプで微調整される。 Event Semantic Relation Reasoning (ESTER) データセットの実験結果から, 既存の強靭なベースラインと比較して, 生成的および抽出的セッティングが著しく向上し, トークンレベルのF1スコアが8.4%, エクササイズマッチ(EM)スコアが3.0%向上した。 質的な分析は、TranCLRが生成した回答の質の高さを明らかにし、QAモデル学習にイベント知識を注入する可能性を示している。 私たちのコードとモデルは、https://github.com/LuJunru/TranCLR.orgにある。

関連論文リスト

• Complex Reasoning over Logical Queries on Commonsense Knowledge Graphs [61.796960984541464]
  論理クエリをサンプリングして作成した新しいデータセットであるCOM2(COMplex COMmonsense)を提示する。 我々は、手書きのルールと大きな言語モデルを用いて、複数の選択とテキスト生成の質問に言語化します。 COM2でトレーニングされた言語モデルでは、複雑な推論能力が大幅に改善されている。
  論文  参考訳（メタデータ） (2024-03-12T08:13:52Z)
• Event Extraction as Question Generation and Answering [72.04433206754489]
  イベント抽出に関する最近の研究は、質問回答(QA)としてタスクを再編成した。 そこで我々は,QGA-EEを提案する。QGモデルにより,定型テンプレートを使わずに,リッチな文脈情報を含む質問を生成することができる。 実験の結果、QGA-EEはACE05の英語データセットで以前のシングルタスクベースのモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-10T01:46:15Z)
• Event Knowledge Incorporation with Posterior Regularization for Event-Centric Question Answering [32.03893317439898]
  本稿では,イベントトリガアノテーションから抽出したイベント知識を後続正則化により組み込む戦略を提案する。 特に、QAデータセットのイベントトリガアノテーションに基づいて、イベント関連の知識制約を定義します。 イベント中心の2つのQAデータセットであるTORQUEとESTERについて実験を行った。
  論文  参考訳（メタデータ） (2023-05-08T07:45:12Z)
• In Defense of Structural Symbolic Representation for Video Event-Relation Prediction [44.528350052251334]
  1)SSRベースの手法が失敗した理由,2)ビデオイベント関連予測の評価設定を適切に理解する方法,3)SSRベースの手法の可能性を明らかにする方法について,実証分析を行った。 本稿では,SSRに基づくモデルをイベント系列モデルにさらにコンテキスト化し,外部の視覚的コモンセンス知識ベースをイベント関連予測事前学習データセットに再構成する方法により,より現実的な知識を付加することを提案する。
  論文  参考訳（メタデータ） (2023-01-06T14:43:19Z)
• Semantic Pivoting Model for Effective Event Detection [19.205550116466604]
  Event Detectionは、構造化されていない記事からイベントインスタンスの参照を識別し、分類することを目的としている。 イベント検出の既存のテクニックは、イベントタイプクラスを表現するために、均質な1ホットベクトルのみを使用しており、型の意味がタスクにとって重要であるという事実を無視している。 本稿では,学習中の事前情報を明示的に組み込んで,入力とイベント間の意味的に意味のある相関関係を捉えるセマンティック・ピロリング・モデル(SPEED)を提案する。
  論文  参考訳（メタデータ） (2022-11-01T19:20:34Z)
• ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification [74.6318379374801]
  本稿では,イベント中心推論のための一般相関対応コンテキスト・イベント変換器(ClarET)の事前学習を提案する。 提案されたClarETは、幅広いイベント中心の推論シナリオに適用できる。
  論文  参考訳（メタデータ） (2022-03-04T10:11:15Z)
• Reliable Shot Identification for Complex Event Detection via Visual-Semantic Embedding [72.9370352430965]
  本稿では,映像中の事象検出のための視覚的意味的誘導損失法を提案する。 カリキュラム学習に動機付け,高い信頼性の事例で分類器の訓練を開始するために,負の弾性正規化項を導入する。 提案する非ネット正規化問題の解法として,代替最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-12T11:46:56Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• MUTANT: A Training Paradigm for Out-of-Distribution Generalization in Visual Question Answering [58.30291671877342]
  MUTANTは、モデルが知覚的に類似しているが意味的に異なる入力の変異に露出する訓練パラダイムである。 MUTANTは、VQA-CPに新しい最先端の精度を確立し、10.57%$改善した。
  論文  参考訳（メタデータ） (2020-09-18T00:22:54Z)

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。