論文の概要: Retrieval-Augmented Generative Question Answering for Event Argument Extraction

• arxiv url: http://arxiv.org/abs/2211.07067v1
• Date: Mon, 14 Nov 2022 02:00:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 17:29:35.447848
• Title: Retrieval-Augmented Generative Question Answering for Event Argument Extraction
• Title（参考訳）: イベント引数抽出のための検索型生成質問応答
• Authors: Xinya Du and Heng Ji
• Abstract要約: イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。 最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。 提案手法は, 様々な設定において, かなり先行した手法より優れている。
• 参考スコア（独自算出の注目度）: 66.24622127143044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event argument extraction has long been studied as a sequential prediction problem with extractive-based methods, tackling each argument in isolation. Although recent work proposes generation-based methods to capture cross-argument dependency, they require generating and post-processing a complicated target sequence (template). Motivated by these observations and recent pretrained language models' capabilities of learning from demonstrations. We propose a retrieval-augmented generative QA model (R-GQA) for event argument extraction. It retrieves the most similar QA pair and augments it as prompt to the current example's context, then decodes the arguments as answers. Our approach outperforms substantially prior methods across various settings (i.e. fully supervised, domain transfer, and fewshot learning). Finally, we propose a clustering-based sampling strategy (JointEnc) and conduct a thorough analysis of how different strategies influence the few-shot learning performance. The implementations are available at https:// github.com/xinyadu/RGQA
• Abstract（参考訳）: イベント引数抽出は、抽出的手法による逐次予測問題として長い間研究されてきた。 最近の研究では、クロス引数依存関係をキャプチャする生成ベースの手法を提案するが、複雑なターゲットシーケンス(テンプレート)の生成と後処理が必要である。 これらの観察と最近の事前学習された言語モデルのデモから学ぶ能力に動機づけられた。 イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。 最も類似したQAペアを取得し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。 提案手法は, 各種設定(完全教師付き, ドメイン転送, 少数ショット学習)において, かなり先行した手法より優れている。 最後に、クラスタリングに基づくサンプリング戦略(jointenc)を提案し、異なる戦略が学習性能にどのように影響するかを徹底的に分析する。 実装はhttps:// github.com/xinyadu/RGQAで公開されている。

関連論文リスト

• Asking and Answering Questions to Extract Event-Argument Structures [7.997025284201876]
  本稿では,文書レベルのイベント処理構造を抽出するための質問応答手法を提案する。 イベントが持つ可能性のある引数タイプ毎に、自動的に質問と回答を行います。 トレーニングインスタンスを増強するために、単純なスパンスワッピング技術、コア参照解決、および大規模言語モデルを使用します。
  論文  参考訳（メタデータ） (2024-04-25T08:43:06Z)
• AMERICANO: Argument Generation with Discourse-driven Decomposition and Agent Interaction [25.38899822861742]
  議論生成のためのエージェントインタラクションを備えた新しいフレームワークであるAmericanoを提案する。 提案手法は,進化過程を議論理論に基づく逐次的行動に分解する。 提案手法は,エンド・ツー・エンドとチェーン・オブ・ワンド・プロンプトの両手法より優れている。
  論文  参考訳（メタデータ） (2023-10-31T10:47:33Z)
• 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)
• An Empirical Comparison of LM-based Question and Answer Generation Methods [79.31199020420827]
  質問と回答の生成(QAG)は、コンテキストが与えられた質問と回答のペアのセットを生成することで構成される。 本稿では,シーケンス・ツー・シーケンス言語モデル(LM)を微調整する3つの異なるQAG手法を用いて,ベースラインを確立する。 実験により、学習時間と推論時間の両方で計算的に軽量なエンドツーエンドQAGモデルが一般に堅牢であり、他のより複雑なアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-26T14:59:53Z)
• RetICL: Sequential Retrieval of In-Context Examples with Reinforcement Learning [53.52699766206808]
  In-Context Learning (RetICL) のための検索式を提案する。 RetICLは数学用語の問題解決と科学的質問応答のタスクに基づいて評価し,一貫した性能や一致,学習可能なベースラインを示す。
  論文  参考訳（メタデータ） (2023-05-23T20:15:56Z)
• DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
  本稿では,既存のDocREモデルの根本原因について検討する。 本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-28T11:18:10Z)
• CUP: Curriculum Learning based Prompt Tuning for Implicit Event Argument Extraction [22.746071199667146]
  Implicit Event argument extract (EAE) は、文書に散らばる可能性のある引数を特定することを目的としている。 本稿では,4つの学習段階によって暗黙的EAEを解消する,カリキュラム学習に基づくプロンプトチューニング(CUP)手法を提案する。 さらに,事前学習した言語モデルから関連する知識を引き出すために,プロンプトベースのエンコーダデコーダモデルを統合する。
  論文  参考訳（メタデータ） (2022-05-01T16:03:54Z)
• Generating Disentangled Arguments with Prompts: A Simple Event Extraction Framework that Works [9.36117752274482]
  イベント抽出は、テキストとイベント信号の間のギャップを橋渡しする。 イベント抽出の領域にプロンプトベースの学習戦略を導入する。 Argument extractのF1スコアに関しては、私たちのシンプルなアーキテクチャは他のどの生成的アーキテクチャよりも強いです。
  論文  参考訳（メタデータ） (2021-10-09T09:36:08Z)
• Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations [70.35379323231241]
  本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。 我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。 実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-23T13:24:39Z)

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。