論文の概要: Joint Information Extraction with Cross-Task and Cross-Instance
High-Order Modeling
- arxiv url: http://arxiv.org/abs/2212.08929v1
- Date: Sat, 17 Dec 2022 18:45:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 16:11:05.319193
- Title: Joint Information Extraction with Cross-Task and Cross-Instance
High-Order Modeling
- Title(参考訳): クロスタスクとクロスインスタンス高次モデリングを用いた共同情報抽出
- Authors: Zixia Jia, Zhaohui Yan, Wenjuan Han, Zilong Zheng, Kewei Tu
- Abstract要約: 我々は,複数のIEタスクを学習し,予測する統合IEフレームワークHighIEを紹介する。
高次因子の2つのカテゴリを設計する。
高次推論の難易度問題に対処するため,高次ニューラルデコーダを組み込んだ。
- 参考スコア(独自算出の注目度): 39.055053720433435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prior works on Information Extraction (IE) typically predict different tasks
and instances (e.g., event triggers, entities, roles, relations) independently,
while neglecting their interactions and leading to model inefficiency. In this
work, we introduce a joint IE framework, HighIE, that learns and predicts
multiple IE tasks by integrating high-order cross-task and cross-instance
dependencies. Specifically, we design two categories of high-order factors:
homogeneous factors and heterogeneous factors. Then, these factors are utilized
to jointly predict labels of all instances. To address the intractability
problem of exact high-order inference, we incorporate a high-order neural
decoder that is unfolded from a mean-field variational inference method. The
experimental results show that our approach achieves consistent improvements on
three IE tasks compared with our baseline and prior work.
- Abstract(参考訳): 情報抽出(ie)に関する先行研究は、通常、異なるタスクやインスタンス(例えば、イベントトリガー、エンティティ、ロール、リレーション)を独立して予測するが、それらの相互作用を無視し、非効率をモデル化する。
本研究では,高次クロスタスクとクロスインスタンスの依存関係を統合することで,複数のIEタスクを学習し,予測するIEフレームワークHighIEを紹介する。
具体的には, 等質因子と不均質因子の2つの高次因子をデザインする。
そして、これらの因子を用いて全てのインスタンスのラベルを共同で予測する。
正確な高階推定の難解性問題に対処するために,平均場変分推論法から展開される高階のニューラルデコーダを組み込んだ。
実験の結果,本手法は3つのieタスクにおいてベースラインと先行作業と比較して一貫した改善が得られた。
関連論文リスト
- Cross-Silo Federated Learning Across Divergent Domains with Iterative
Parameter Alignment [5.568652047172666]
フェデレートラーニング(Federated Learning)は、リモートクライアント間で機械学習モデルをトレーニングする手法である。
我々は、共通の目的のために最適化されたNモデルを学ぶために、典型的な連合学習環境を再構築する。
この技術は、最先端のアプローチと比較して、様々なデータパーティションにおける競合的な結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-11-08T16:42:14Z) - Towards a Unified Transformer-based Framework for Scene Graph Generation
and Human-object Interaction Detection [116.21529970404653]
本稿では,Transformerアーキテクチャに基づく一段階統一モデルであるSG2HOI+を紹介する。
本手法では,SGGとHOI検出のタスクをシームレスに統一する2つの対話型階層変換器を用いる。
提案手法は最先端のHOI法と比較して競争性能が向上する。
論文 参考訳(メタデータ) (2023-11-03T07:25:57Z) - Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。
MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
論文 参考訳(メタデータ) (2023-07-19T02:11:19Z) - Neural Temporal Point Process for Forecasting Higher Order and
Directional Interactions [7.347989843033033]
本稿では,ハイパーエッジイベント予測のための,ディープニューラルネットワークに基づくテキスト指向ハイパーNodeテンポラルポイントプロセスを提案する。
提案手法は,まずイベントが観測されるノードを予測することにより,候補ハイパーエッジの探索空間を小さくする。
これは、高次指向性相互作用を予測する問題を解く最初の研究であると考えています。
論文 参考訳(メタデータ) (2023-01-28T14:32:14Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - OneRel:Joint Entity and Relation Extraction with One Module in One Step [42.576188878294886]
統合エンティティと関係抽出は自然言語処理と知識グラフ構築において不可欠な課題である。
そこで我々は, 結合抽出を細粒度三重分類問題として用いた, OneRel という新しい結合実体と関係抽出モデルを提案する。
論文 参考訳(メタデータ) (2022-03-10T15:09:59Z) - Uncovering Main Causalities for Long-tailed Information Extraction [14.39860866665021]
データセットの選択バイアスによって引き起こされる長い尾の分布は、誤った相関をもたらす可能性がある。
これは、データの背後にある主な因果関係を明らかにすることを目的とした、新しいフレームワークである。
論文 参考訳(メタデータ) (2021-09-11T08:08:24Z) - A Universal Model for Cross Modality Mapping by Relational Reasoning [29.081989993636338]
クロスモダリティマッピングは、コンピュータビジョンコミュニティで注目を集めています。
本稿では,相互関係を効率的に計算するGCNベースのReasoning Network(RR-Net)を提案する。
画像分類,ソーシャルレコメンデーション,および音声認識の3つの例による実験により,提案モデルの優越性と普遍性を明らかにした。
論文 参考訳(メタデータ) (2021-02-26T08:56:24Z) - DCR-Net: A Deep Co-Interactive Relation Network for Joint Dialog Act
Recognition and Sentiment Classification [77.59549450705384]
ダイアログシステムでは、ダイアログアクト認識と感情分類は2つの相関タスクである。
既存のシステムのほとんどは、それらを別々のタスクとして扱うか、単に2つのタスクを一緒にモデル化するだけです。
本稿では,2つのタスク間の相互作用をモデル化するディープ・コ・インタラクティブ・リレーショナル・ネットワーク(DCR-Net)を提案する。
論文 参考訳(メタデータ) (2020-08-16T14:13:32Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳(メタデータ) (2020-03-09T17:05:04Z)
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。