論文の概要: Causal Reasoning of Entities and Events in Procedural Texts

• arxiv url: http://arxiv.org/abs/2301.10896v1
• Date: Thu, 26 Jan 2023 01:43:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 14:38:43.872474
• Title: Causal Reasoning of Entities and Events in Procedural Texts
• Title（参考訳）: 手続きテキストにおけるエンティティとイベントの因果推論
• Authors: Li Zhang, Hainiu Xu, Yue Yang, Shuyan Zhou, Weiqiu You, Manni Arora and Chris Callison-Burch
• Abstract要約: 本稿では,エンティティ状態に基づくイベントの可視性に関する因果推論に関する最初のベンチマークであるCREPEを提案する。 提案したイベント表現は、知識注入を可能にするが、コード言語モデルによるチェーン・オブ・シークレット推論を成功させた最初の試みでもある。
• 参考スコア（独自算出の注目度）: 28.19606728564382
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Entities and events have long been regarded as the crux of machine reasoning. Specifically, procedural texts have received increasing attention due to the dynamic nature of involved entities and events. Existing work has exclusively focused on entity state tracking (e.g., the temperature of a pan) or counterfactual event reasoning (e.g., how likely am I to burn myself by touching the pan), while these two tasks are tightly intertwined. In this work, we propose CREPE, the first benchmark on causal reasoning about event plausibility based on entity states. We experiment with strong large language models and show that most models including GPT3 perform close to chance of .30 F1, lagging far behind the human performance of .87 F1. Inspired by the finding that structured representations such as programming languages benefits event reasoning as a prompt to code language models such as Codex, we creatively inject the causal relations between entities and events through intermediate variables and boost the performance to .67 to .72 F1. Our proposed event representation not only allows for knowledge injection, but also marks the first successful attempt of chain-of-thought reasoning with code language models.
• Abstract（参考訳）: 存在や出来事は長い間、機械推論の要点と見なされてきた。 具体的には、関連するエンティティやイベントのダイナミックな性質から、手続き的なテキストが注目を集めている。 既存の作業は、エンティティ状態のトラッキング(例えば、パンの温度)や反ファクトイベントの推論(例えば、パンに触れて燃える確率など)にのみ焦点を合わせているが、これらの2つのタスクは密接に絡み合っている。 本研究では,エンティティ状態に基づく事象の妥当性に関する因果推論に関する最初のベンチマークであるCREPEを提案する。 GPT3を含むほとんどのモデルは、.30 F1の確率に近づき、.87 F1の人間のパフォーマンスよりもはるかに遅れていることを示す。 プログラミング言語のような構造化表現は、codexのようなコード言語モデルのプロンプトとしてイベント推論に便益があることに着想を得て、中間変数を通じてエンティティとイベントの因果関係を創造的に注入し、.67から.72 f1のパフォーマンスを高める。 提案するイベント表現は,知識注入を可能にするだけでなく,コード言語モデルによる思考連鎖推論を初めて成功させた試みでもある。

関連論文リスト

• EVIT: Event-Oriented Instruction Tuning for Event Reasoning [18.012724531672813]
  イベント推論は、特定の関係に従ってイベントを推論し、将来のイベントを予測することを目的としている。 大規模言語モデル(LLM)は、その豊富な知識と推論能力のために、イベント推論において大きな進歩を遂げている。 しかし、現在使われている命令調整モデルでは、これらのタスクを管理するのに例外的な習熟度が一貫して示されていない。
  論文  参考訳（メタデータ） (2024-04-18T08:14:53Z)
• 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)
• Complex Reasoning over Logical Queries on Commonsense Knowledge Graphs [61.796960984541464]
  論理クエリをサンプリングして作成した新しいデータセットであるCOM2(COMplex COMmonsense)を提示する。 我々は、手書きのルールと大きな言語モデルを用いて、複数の選択とテキスト生成の質問に言語化します。 COM2でトレーニングされた言語モデルでは、複雑な推論能力が大幅に改善されている。
  論文  参考訳（メタデータ） (2024-03-12T08:13:52Z)
• Towards Event Extraction from Speech with Contextual Clues [61.164413398231254]
  本稿では,音声イベント抽出(SpeechEE)タスクを導入し,3つの合成トレーニングセットと1つの人為的テストセットを構築した。 テキストからのイベント抽出と比較して、SpeechEEは、主に連続的で単語境界を持たない複雑な音声信号のために、より大きな課題を提起する。 我々の手法はすべてのデータセットに大幅な改善をもたらし、最大10.7%のF1ゲインを達成する。
  論文  参考訳（メタデータ） (2024-01-27T11:07:19Z)
• MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
  MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。 EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
  論文  参考訳（メタデータ） (2023-11-15T16:52:14Z)
• CLEVRER-Humans: Describing Physical and Causal Events the Human Way [55.44915246065028]
  CLEVRER-Humansベンチマークは,人間ラベルを用いた物理的事象の因果判定のためのビデオデータセットである。 まず、ビデオ内のイベントを新たに表現するための、新しい反復的なイベントクローゼタスク、すなわち、Causal Event Graphs (CEGs) と呼ぶもので、第2に、ニューラルネットワーク生成モデルに基づくデータ拡張技術である。
  論文  参考訳（メタデータ） (2023-10-05T16:09:48Z)
• DAPrompt: Deterministic Assumption Prompt Learning for Event Causality Identification [8.102227953905206]
  事象因果同定(ECI)は、2つの事象の言及の間に因果関係があるかどうかを決定することを目的としている。 ECIタスクに対して,DAPromptと呼ばれる決定論的仮定プロンプト学習モデルを提案する。 我々は、予測事象の確率を用いて、最終事象因果決定の仮定合理性を評価する。
  論文  参考訳（メタデータ） (2023-07-19T08:02:20Z)
• Language Models Can Improve Event Prediction by Few-Shot Abductive Reasoning [39.88235543961191]
  イベント予測に大規模な言語モデルを統合するフレームワークであるLAMPを設計する。 我々のフレームワークは、最先端のイベントシーケンスモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-26T05:32:29Z)
• Inferring Commonsense Explanations as Prompts for Future Event Generation [39.285793120836516]
  Future Event Generationは、前回のイベントが持つ流動的で合理的な未来のイベント記述を生成することを目的としている。 共感覚推論モデル(IM)とイベント生成モデル(GM)から構成される新しい説明可能なFEGフレームワークを提案する。 IMは、前回の出来事を解釈し、意図、反応、ニーズといったキャラクター心理学を潜伏変数として明らかにするために常識的推論を行う。 GMはコモンセンスの知識を、論理的に一貫性のある未来の出来事の発生を誘導し、強制するきっかけと捉えている。
  論文  参考訳（メタデータ） (2022-01-18T16:21:23Z)
• ESTER: A Machine Reading Comprehension Dataset for Event Semantic Relation Reasoning [49.795767003586235]
  イベントセマンティックリレーション推論のための包括的な機械学習理解データセットESTERを紹介します。 もっともよく使われるイベント意味関係を5つ検討し、質問応答タスクとして定式化します。 実験の結果、現在のSOTAシステムは、イベントベースF1、トークンベースF1、HIT@1スコアそれぞれ60.5%、57.8%、76.3%を達成した。
  論文  参考訳（メタデータ） (2021-04-16T19:59:26Z)
• "What Are You Trying to Do?" Semantic Typing of Event Processes [94.3499255880101]
  本稿では,認知に動機づけられたセマンティックタイピングタスク,多軸イベントプロセスタイピングについて検討する。 我々は60k以上のイベントプロセスを含む大規模なデータセットを開発し、アクションとオブジェクトタイプの軸の両方に極細粒度のタイピングを特徴とする。 本稿では,Glosses1からの間接的監視によるタイピング問題に対処するハイブリッド学習フレームワークP2GTと,共同学習からランクへのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-13T22:37:29Z)

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。