論文の概要: Modeling Instance Interactions for Joint Information Extraction with
Neural High-Order Conditional Random Field
- arxiv url: http://arxiv.org/abs/2212.08929v2
- Date: Sun, 28 May 2023 09:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 02:47:18.118712
- Title: Modeling Instance Interactions for Joint Information Extraction with
Neural High-Order Conditional Random Field
- Title（参考訳）: ニューラル高次条件ランダム場を用いた共同情報抽出のためのインスタンス間相互作用のモデル化
- Authors: Zixia Jia, Zhaohui Yan, Wenjuan Han, Zilong Zheng, Kewei Tu
- Abstract要約: 我々は、高次条件ランダムフィールドとして、共同IEを定式化する共同IEフレームワーク(CRFIE)を導入する。
具体的には,2つの要素と3つの要素を設計し,一対のインスタンスだけでなく三重項間の相互作用を直接モデル化する。
平均場変動推定法から展開した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 joint Information Extraction (IE) typically model instance
(e.g., event triggers, entities, roles, relations) interactions by
representation enhancement, type dependencies scoring, or global decoding. We
find that the previous models generally consider binary type dependency scoring
of a pair of instances, and leverage local search such as beam search to
approximate global solutions. To better integrate cross-instance interactions,
in this work, we introduce a joint IE framework (CRFIE) that formulates joint
IE as a high-order Conditional Random Field. Specifically, we design binary
factors and ternary factors to directly model interactions between not only a
pair of instances but also triplets. 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, which achieves
consistent learning and inference. 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）: 統合情報抽出(IE)は、典型的なモデルインスタンス(例えば、イベントトリガー、エンティティ、ロール、リレーションシップ)の表現強化、型依存のスコアリング、グローバルデコードによるインタラクションである。
従来のモデルでは,一対のインスタンスのバイナリ型依存性のスコアリングが一般的であり,ビームサーチなどの局所探索を利用して大域的解を求める。
クロスインスタンスインタラクションをよりよく統合するために、我々は、高次条件ランダムフィールドとしてIEを定式化する共同IEフレームワーク(CRFIE)を導入する。
具体的には、一対のインスタンスだけでなく三重項の相互作用を直接モデル化するために、二元因子と三元因子を設計する。
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取り入れ,一貫した学習と推論を実現する。
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
- Can foundation models actively gather information in interactive environments to test hypotheses? [56.651636971591536]
隠れた報酬関数に影響を与える要因をモデルが決定しなければならない枠組みを導入する。
自己スループットや推論時間の増加といったアプローチが情報収集効率を向上させるかどうかを検討する。
論文 参考訳（メタデータ） (2024-12-09T12:27:21Z) - A Plug-and-Play Method for Rare Human-Object Interactions Detection by Bridging Domain Gap [50.079224604394]
textbfContext-textbfEnhanced textbfFeature textbfAment (CEFA) と呼ばれる新しいモデルに依存しないフレームワークを提案する。
CEFAは機能アライメントモジュールとコンテキスト拡張モジュールで構成される。
本手法は, 稀なカテゴリにおけるHOIモデルの検出性能を向上させるために, プラグアンドプレイモジュールとして機能する。
論文 参考訳（メタデータ） (2024-07-31T08:42:48Z) - DHRNet: A Dual-Path Hierarchical Relation Network for Multi-Person Pose Estimation [14.267849773487834]
マルチパーソンポーズ推定(MPPE)は、コンピュータビジョンにおいて非常に重要な課題である。
本稿では,Dual-path Hierarchical Relation Network (DHRNet) と呼ばれるCNNベースの新しい単一ステージ手法を提案する。
論文 参考訳（メタデータ） (2024-04-22T09:41:03Z) - Cross-Silo Federated Learning Across Divergent Domains with Iterative Parameter Alignment [4.95475852994362]
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) - 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。