論文の概要: Causal schema induction for knowledge discovery

• arxiv url: http://arxiv.org/abs/2303.15381v1
• Date: Mon, 27 Mar 2023 16:55:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 14:29:15.227893
• Title: Causal schema induction for knowledge discovery
• Title（参考訳）: 知識発見のための因果スキーマ誘導
• Authors: Michael Regan and Jena D. Hwang and Keisuke Sakaguchi and James Pustejovsky
• Abstract要約: 本稿では、時間構造、事象構造、因果構造を組み合わせたテキストグラフスキーマのデータセットであるTorquestraを紹介する。 データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。 その結果、因果構造を利用するシステムは、類似の因果的意味成分を共有するテキストを特定するのに効果的であることがわかった。
• 参考スコア（独自算出の注目度）: 21.295680010103602
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Making sense of familiar yet new situations typically involves making generalizations about causal schemas, stories that help humans reason about event sequences. Reasoning about events includes identifying cause and effect relations shared across event instances, a process we refer to as causal schema induction. Statistical schema induction systems may leverage structural knowledge encoded in discourse or the causal graphs associated with event meaning, however resources to study such causal structure are few in number and limited in size. In this work, we investigate how to apply schema induction models to the task of knowledge discovery for enhanced search of English-language news texts. To tackle the problem of data scarcity, we present Torquestra, a manually curated dataset of text-graph-schema units integrating temporal, event, and causal structures. We benchmark our dataset on three knowledge discovery tasks, building and evaluating models for each. Results show that systems that harness causal structure are effective at identifying texts sharing similar causal meaning components rather than relying on lexical cues alone. We make our dataset and models available for research purposes.
• Abstract（参考訳）: 慣れ親しんだ新しい状況を理解するには、典型的には、人間がイベントシーケンスを推論するのに役立つストーリーである因果スキーマに関する一般化を行う。 イベントに関する推論には、イベントインスタンス間で共有される原因と効果の関係を特定することが含まれます。 統計的スキーマ誘導システムは、談話にエンコードされた構造的知識や事象の意味に関連する因果グラフを活用できるが、そのような因果構造を研究するためのリソースは少なく、サイズは限られている。 本研究では,英語ニューステキストの検索強化のための知識発見タスクにスキーマ帰納モデルを適用する方法について検討する。 データ不足の問題を解決するために,時間的,事象的,因果的構造を統合したテキストグラフスキーマユニットの,手作業によるデータセットであるtorquestraを提案する。 データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。 その結果, 因果構造を利用したシステムは, 語彙のみに頼るのではなく, 類似の因果的意味成分を共有するテキストの同定に有効であることが示唆された。 研究目的でデータセットとモデルを利用可能にしています。

関連論文リスト

• Causal Modeling in Multi-Context Systems: Distinguishing Multiple Context-Specific Causal Graphs which Account for Observational Support [12.738813972869528]
  複数のコンテキストからのデータによる因果構造学習は、機会と課題の両方をもたらす。 本稿では,文脈間の観察支援の違いが因果グラフの識別可能性に及ぼす影響について検討する。 構造因果モデルにおける文脈固有の独立性をモデル化する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-27T10:34:58Z)
• EventGround: Narrative Reasoning by Grounding to Eventuality-centric Knowledge Graphs [41.928535719157054]
  本研究では,事象中心の知識グラフに自由文を接地する問題に対処するため,EventGroundと呼ばれる初期包括的フレームワークを提案する。 これらの問題に対処するために、単純で効果的な解析と部分的な情報抽出方法を提案する。 基礎知識を取り入れた我々の枠組みは、解釈可能な証拠を提供しながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-30T01:16:37Z)
• 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)
• A Unified Causal View of Instruction Tuning [76.1000380429553]
  メタ構造因果モデル(meta-SCM)を開発し、異なるNLPタスクをデータの単一因果構造の下で統合する。 主なアイデアは、タスク要求因果関係を学習し、タスクの予測にのみそれらを使用することである。
  論文  参考訳（メタデータ） (2024-02-09T07:12:56Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Zero-Shot On-the-Fly Event Schema Induction [61.91468909200566]
  本稿では,大規模な言語モデルを用いて,高レベルなイベント定義,特定のイベント,引数,それらの関係を予測・付与するソースドキュメントを生成する手法を提案する。 我々のモデルを用いて、任意のトピックに関する完全なスキーマを、手動のデータ収集、すなわちゼロショットの方法で、オンザフライで生成することができる。
  論文  参考訳（メタデータ） (2022-10-12T14:37:00Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Causal BERT : Language models for causality detection between events expressed in text [1.0756038762528868]
  イベント間の因果関係の理解は、ヘルスケア、ビジネスリスク管理、財務など、多くの分野で役立ちます。 自然言語イベント間の「因果関係」は、暗黙的に表現されることが多いため、単に挑戦を続ける。 提案手法は3つの異なるデータ分布において最先端の性能を達成し,因果図の抽出に利用できる。
  論文  参考訳（メタデータ） (2020-12-10T04:59:12Z)

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。