論文の概要: Efficient Zero-shot Event Extraction with Context-Definition Alignment

• arxiv url: http://arxiv.org/abs/2211.05156v1
• Date: Wed, 9 Nov 2022 19:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 14:55:02.512409
• Title: Efficient Zero-shot Event Extraction with Context-Definition Alignment
• Title（参考訳）: コンテキスト定義アライメントを用いた効率的なゼロショットイベント抽出
• Authors: Hongming Zhang, Wenlin Yao, Dong Yu
• Abstract要約: イベント抽出(EE)は、テキストから関心のあるイベント参照を特定するタスクである。 イベントタイプ名の静的な埋め込みは、1つの単語があいまいなため、十分ではないかもしれない、と私たちは主張する。 我々はZED(Zero-shot Event extract with Definition)と名付けた。
• 参考スコア（独自算出の注目度）: 50.15061819297237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event extraction (EE) is the task of identifying interested event mentions from text. Conventional efforts mainly focus on the supervised setting. However, these supervised models cannot generalize to event types out of the pre-defined ontology. To fill this gap, many efforts have been devoted to the zero-shot EE problem. This paper follows the trend of modeling event-type semantics but moves one step further. We argue that using the static embedding of the event type name might not be enough because a single word could be ambiguous, and we need a sentence to define the type semantics accurately. To model the definition semantics, we use two separate transformer models to project the contextualized event mentions and corresponding definitions into the same embedding space and then minimize their embedding distance via contrastive learning. On top of that, we also propose a warming phase to help the model learn the minor difference between similar definitions. We name our approach Zero-shot Event extraction with Definition (ZED). Experiments on the MAVEN dataset show that our model significantly outperforms all previous zero-shot EE methods with fast inference speed due to the disjoint design. Further experiments also show that ZED can be easily applied to the few-shot setting when the annotation is available and consistently outperforms baseline supervised methods.
• Abstract（参考訳）: イベント抽出(EE)は、テキストから関心のあるイベント参照を特定するタスクである。 従来の取り組みは主に監督体制に重点を置いていた。 しかし、これらの教師付きモデルは事前定義されたオントロジーからイベントタイプに一般化することはできない。 このギャップを埋めるために、ゼロショットのEE問題に多くの努力が注がれている。 本稿では,イベント型セマンティクスのモデル化の動向について述べるが,さらに一歩前進する。 単一の単語があいまいで、型セマンティクスを正確に定義するための文が必要であるため、イベントタイプ名の静的埋め込みを使用するだけでは不十分かもしれない、と主張する。 定義セマンティクスをモデル化するために、コンテクスト化されたイベント参照とそれに対応する定義を同じ埋め込み空間に投影し、コントラスト学習による埋め込み距離を最小化する。 それに加えて、同様の定義の微妙な違いをモデルが学習するのに役立つ温暖化フェーズも提案する。 我々はZED(Zero-shot Event extract with Definition)と名付けた。 MAVENデータセットを用いた実験の結果,このモデルでは従来のゼロショットEEメソッドよりも高速な推論速度で大幅に優れていた。 さらなる実験では、アノテーションが利用可能で、ベースライン教師付きメソッドを一貫して上回っている場合、ZEDが少数ショット設定に容易に適用可能であることも示している。

関連論文リスト

• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Continual Event Extraction with Semantic Confusion Rectification [50.59450741139265]
  本研究では, 連続イベント抽出法について検討し, 忘れることを避けつつ, 間欠的に出現するイベント情報を抽出することを目的とした。 イベントタイプに関するセマンティックな混乱は、時間とともに更新される同じテキストのアノテーションに由来することを観察する。 本稿では,意味的混乱を是正した新しい連続イベント抽出モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:48:50Z)
• 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)
• OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction [40.353446897312196]
  イベント抽出(EE)は、構造化されていないテキストから構造化されたイベント情報を抽出することを目的とした、情報抽出の重要なタスクである。 We design a simple yet effective tagging scheme and model to formulate EE as word-word relation recognition, called OneEE。 重なり合った3つのEEベンチマーク、すなわちFewFC、Genia11、Genia13の実験は、OneEEが最先端(SOTA)の結果を達成することを示している。
  論文  参考訳（メタデータ） (2022-09-06T17:59:55Z)
• Suspected Object Matters: Rethinking Model's Prediction for One-stage Visual Grounding [93.82542533426766]
  疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。 SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-10T06:41:07Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Connect-the-Dots: Bridging Semantics between Words and Definitions via Aligning Word Sense Inventories [47.03271152494389]
  Word Sense Disambiguationは、そのコンテキストに応じて、ある単語の正確な意味を自動的に識別することを目的としている。 既存の教師付きモデルは、限られた訓練データのために稀な単語感覚の正確な予測に苦慮している。 我々は,定義文を異なる意味の在庫から同じ意味に整合させ,豊富な語彙知識を収集する光沢アライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-27T00:04:33Z)
• Event Extraction as Natural Language Generation [42.081626647997616]
  イベント抽出は通常、分類または構造化予測問題として定式化される。 我々は、イベント内の複雑な依存関係をキャプチャするだけでなく、目に見えないイベントタイプやまれなイベントタイプをうまく一般化するモデルであるGenEEを提案する。 実験結果から, ゼロショット, 少数ショット, 高リソースのシナリオにおいて, イベント抽出タスクにおいて, イベント抽出タスクにおいて高い性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-29T00:27:31Z)
• Unsupervised Label-aware Event Trigger and Argument Classification [73.86358632937372]
  まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。 事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。 我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
  論文  参考訳（メタデータ） (2020-12-30T17:47:24Z)

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。