論文の概要: Open Relation and Event Type Discovery with Type Abstraction

• arxiv url: http://arxiv.org/abs/2212.00178v1
• Date: Wed, 30 Nov 2022 23:47:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 15:46:50.853213
• Title: Open Relation and Event Type Discovery with Type Abstraction
• Title（参考訳）: 型抽象化によるオープンリレーションとイベントタイプ発見
• Authors: Sha Li, Heng Ji, Jiawei Han
• Abstract要約: ここでは、モデルを一般化し、型を命名するよう促される型抽象化の考え方を紹介します。 推論された名前の類似性を利用してクラスタを誘導する。 複数の関係抽出およびイベントデータセット抽出に関する実験は、型抽象化アプローチの利点を一貫して示している。
• 参考スコア（独自算出の注目度）: 80.92395639632383
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conventional closed-world information extraction (IE) approaches rely on human ontologies to define the scope for extraction. As a result, such approaches fall short when applied to new domains. This calls for systems that can automatically infer new types from given corpora, a task which we refer to as type discovery. To tackle this problem, we introduce the idea of type abstraction, where the model is prompted to generalize and name the type. Then we use the similarity between inferred names to induce clusters. Observing that this abstraction-based representation is often complementary to the entity/trigger token representation, we set up these two representations as two views and design our model as a co-training framework. Our experiments on multiple relation extraction and event extraction datasets consistently show the advantage of our type abstraction approach. Code available at https://github.com/raspberryice/type-discovery-abs.
• Abstract（参考訳）: 従来のクローズドワールド情報抽出(ie)アプローチは、抽出のスコープを定義するために人間のオントロジーに依存する。 その結果、新しいドメインに適用するとそのようなアプローチは短くなる。 これは、私たちが型発見と呼ぶタスクである所定のコーパスから、自動的に新しい型を推測できるシステムを呼び出す。 この問題に対処するために、モデルを一般化し、型を命名するよう促される型抽象の概念を導入する。 次に、推測された名前の類似性を利用してクラスタを誘導する。 この抽象化ベースの表現がentity/triggerトークン表現と相補的であることを観察し、これら2つの表現を2つのビューとして設定し、協調学習フレームワークとしてモデルを設計する。 複数の関係抽出とイベント抽出データセットに関する実験は、型抽象化アプローチの利点を一貫して示している。 コードはhttps://github.com/raspberryice/type-discovery-absで入手できる。

関連論文リスト

• Ref-Diff: Zero-shot Referring Image Segmentation with Generative Models [68.73086826874733]
  本稿では,画像分割を参照するための新しい参照拡散分割器(Referring Diffusional segmentor, Ref-Diff)を提案する。 提案生成器がなければ、生成モデルだけで既存のSOTAの弱教師付きモデルに匹敵する性能を達成できることを実証する。 このことは、生成モデルがこのタスクに有益であり、より優れたセグメンテーションを参照するために識別モデルを補完できることを示している。
  論文  参考訳（メタデータ） (2023-08-31T14:55:30Z)
• Modeling Entities as Semantic Points for Visual Information Extraction in the Wild [55.91783742370978]
  文書画像から鍵情報を正確かつ堅牢に抽出する手法を提案する。 我々は、エンティティを意味的ポイントとして明示的にモデル化する。つまり、エンティティの中心点は、異なるエンティティの属性と関係を記述する意味情報によって豊かになる。 提案手法は,従来の最先端モデルと比較して,エンティティラベルとリンクの性能を著しく向上させることができる。
  論文  参考訳（メタデータ） (2023-03-23T08:21:16Z)
• Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention [56.46649994444616]
  マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。 私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
  論文  参考訳（メタデータ） (2022-02-12T00:32:22Z)
• Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding [51.57864297948228]
  本稿では,自然言語クエリとしてイベントタイプと引数ロールを取り入れた新しいイベント抽出フレームワークを提案する。 我々のフレームワークは、イベントタイプや引数ロールと入力テキストとのセマンティックな相関をよりよく捉えるための注意機構の恩恵を受ける。
  論文  参考訳（メタデータ） (2021-10-14T15:49:40Z)
• Element Intervention for Open Relation Extraction [27.408443348900057]
  OpenREは、同じ基盤となる関係を参照する関係インスタンスをクラスタ化することを目的としている。 現在のOpenREモデルは、一般的に遠隔監視から生成されたデータセットに基づいてトレーニングされている。 本稿では,OpenREの手順を因果的観点から再考する。
  論文  参考訳（メタデータ） (2021-06-17T14:37:13Z)
• Joint Entity and Relation Canonicalization in Open Knowledge Graphs using Variational Autoencoders [11.259587284318835]
  オープンナレッジグラフの名詞句と関係句は正規化されず、冗長で曖昧な主語関係対象のトリプルが爆発する。 まず、名詞句と関係句の両方の埋め込み表現を生成し、次にクラスタリングアルゴリズムを使用して、埋め込みを機能としてグループ化します。 本研究では,組込みとクラスタ割り当ての両方をエンドツーエンドアプローチで学習する共同モデルであるCUVA(Canonicalizing Using Variational AutoEncoders)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T22:58:30Z)
• Clustering-based Unsupervised Generative Relation Extraction [3.342376225738321]
  クラスタリングに基づく教師なし生成関係抽出フレームワーク(CURE)を提案する。 我々は「エンコーダ・デコーダ」アーキテクチャを用いて自己教師付き学習を行い、エンコーダが関係情報を抽出できるようにする。 我々のモデルは、ニューヨーク・タイムズ(NYT)と国連並列コーパス(UNPC)の標準データセットにおいて、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2020-09-26T20:36:40Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)

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。