論文の概要: GeoAI for Knowledge Graph Construction: Identifying Causality Between
Cascading Events to Support Environmental Resilience Research
- arxiv url: http://arxiv.org/abs/2211.06011v1
- Date: Fri, 11 Nov 2022 05:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 16:12:57.732435
- Title: GeoAI for Knowledge Graph Construction: Identifying Causality Between
Cascading Events to Support Environmental Resilience Research
- Title（参考訳）: 知識グラフ構築のためのGeoAI:環境レジリエンス研究を支援するカスケードイベント間の因果関係の同定
- Authors: Yuanyuan Tian, Wenwen Li
- Abstract要約: 本稿では,災害イベントの因果関係を特定するためのGeoAIソリューションについて紹介する。
我々のソリューションは、イベント知識基盤を強化し、大きな知識グラフでリンクされたカスケードイベントの探索を可能にします。
- 参考スコア（独自算出の注目度）: 3.3072870202596736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graph technology is considered a powerful and semantically enabled
solution to link entities, allowing users to derive new knowledge by reasoning
data according to various types of reasoning rules. However, in building such a
knowledge graph, events modeling, such as that of disasters, is often limited
to single, isolated events. The linkages among cascading events are often
missing in existing knowledge graphs. This paper introduces our GeoAI
(Geospatial Artificial Intelligence) solutions to identify causality among
events, in particular, disaster events, based on a set of spatially and
temporally-enabled semantic rules. Through a use case of causal disaster events
modeling, we demonstrated how these defined rules, including theme-based
identification of correlated events, spatiotemporal co-occurrence constraint,
and text mining of event metadata, enable the automatic extraction of causal
relationships between different events. Our solution enriches the event
knowledge base and allows for the exploration of linked cascading events in
large knowledge graphs, therefore empowering knowledge query and discovery.
- Abstract（参考訳）: ナレッジグラフ技術は、エンティティをリンクするための強力でセマンティックなソリューションと考えられており、ユーザーは様々な種類の推論ルールに従ってデータを推論することで新しい知識を導出することができる。
しかし、そのような知識グラフを構築する際には、災害などのイベントモデリングは単一の独立したイベントに限られることが多い。
カスケードイベント間のリンクは、しばしば既存の知識グラフに欠けている。
本稿では,災害イベントの因果関係を空間的・時間的に対応可能なセマンティックルールに基づいて識別するGeoAI(Geospatial Artificial Intelligence)ソリューションを提案する。
因果的災害イベントモデリング(causal disaster events modeling)のユースケースを通じて,関連するイベントのテーマベースの識別,時空間的共起制約,イベントメタデータのテキストマイニングなど,これら定義されたルールが,さまざまなイベント間の因果関係の自動抽出を可能にすることを実証した。
我々のソリューションは、イベント知識基盤を強化し、大きな知識グラフに関連付けられたカスケードイベントの探索を可能にします。
関連論文リスト
- MAVEN-Fact: A Large-scale Event Factuality Detection Dataset [55.01875707021496]
我々は,MAVENデータセットに基づく大規模かつ高品質なEFDデータセットであるMAVEN-Factを紹介する。
MAVEN-Factには112,276のイベントのファクトリティアノテーションが含まれており、EFDデータセットとしては最大である。
MAVEN-Factは従来の微調整モデルと大規模言語モデル(LLM)の両方において困難であることを示す実験結果が得られた。
論文 参考訳（メタデータ） (2024-07-22T03:43:46Z) - New Rules for Causal Identification with Background Knowledge [59.733125324672656]
オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。
これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
論文 参考訳（メタデータ） (2024-07-21T20:21:21Z) - Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering [30.000134835133522]
事象因果同定(DECI)は、文書中の2つの事象間の因果関係を特定することを目的としている。
近年の研究では、事前訓練された言語モデルを用いて事象因果関係を生成する傾向にある。
本稿では,合理的かつ構造を考慮した因果的質問応答による事象因果同定を強化するためのマルチタスク学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-17T07:41:58Z) - Detecting Anomalous Events in Object-centric Business Processes via
Graph Neural Networks [55.583478485027]
本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。
まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。
次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
論文 参考訳（メタデータ） (2024-02-14T14:17:56Z) - Exploring the Limits of Historical Information for Temporal Knowledge
Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。
CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。
提案したモデルを5つのベンチマークグラフで評価する。
論文 参考訳（メタデータ） (2023-08-29T03:26:38Z) - Causal schema induction for knowledge discovery [21.295680010103602]
本稿では、時間構造、事象構造、因果構造を組み合わせたテキストグラフスキーマのデータセットであるTorquestraを紹介する。
データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。
その結果、因果構造を利用するシステムは、類似の因果的意味成分を共有するテキストを特定するのに効果的であることがわかった。
論文 参考訳（メタデータ） (2023-03-27T16:55:49Z) - Event Causality Extraction with Event Argument Correlations [13.403222002600558]
Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。
本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
論文 参考訳（メタデータ） (2023-01-27T09:48:31Z) - Logic and Commonsense-Guided Temporal Knowledge Graph Completion [9.868206060374991]
時間的知識グラフ(TKG)は、時間を含むデータから派生した事象を記憶する。
本稿では,時系列やイベントの因果性を含む時間依存表現を協調的に学習するためのLCGE(Logic and Commonsense-Guided Embedding Model)を提案する。
論文 参考訳（メタデータ） (2022-11-30T10:06:55Z) - Type Information Utilized Event Detection via Multi-Channel GNNs in
Electrical Power Systems [27.132352561001753]
電力システムにおけるイベント検出は、トリガーとイベントタイプを特定することを目的としており、関連する担当者が緊急対応を迅速に行うのに役立つ。
短い電気記録テキストの長さの制限は、深刻な情報空間を生じさせ、多くの電力系統のドメイン固有用語は、一般的なドメインテキストで事前訓練された言語モデルからの知識の伝達を困難にしている。
本稿では,MC-TEDと呼ばれる電力系統におけるイベント検出のためのタイプ情報を利用したマルチチャネルグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-11-15T14:22:27Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳（メタデータ） (2022-02-22T21:27:31Z) - Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。
具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。
我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
論文 参考訳（メタデータ） (2020-10-13T22:45:28Z)
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。