論文の概要: Affective Reasoning at Utterance Level in Conversations: A Causal Discovery Approach

• arxiv url: http://arxiv.org/abs/2305.02615v1
• Date: Thu, 4 May 2023 07:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 16:39:40.112061
• Title: Affective Reasoning at Utterance Level in Conversations: A Causal Discovery Approach
• Title（参考訳）: 会話における発話レベルの影響推論:因果発見的アプローチ
• Authors: Hang Chen and Jing Luo and Xinyu Yang and Wenjing Zhu
• Abstract要約: 本稿では、共通骨格を設計し、暗黙的な原因の代用を生成することによって、会話における因果関係の発見方法を示す。 包括的実験により,本手法は3つのタスクに対する6つの影響関連データセットにおいて,SOTAベースラインを著しく上回ることを示した。
• 参考スコア（独自算出の注目度）: 14.922357454094271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The affective reasoning task is a set of emerging affect-based tasks in conversation, including Emotion Recognition in Conversation (ERC),Emotion-Cause Pair Extraction (ECPE), and Emotion-Cause Span Recognition (ECSR). Existing methods make various assumptions on the apparent relationship while neglecting the essential causal model due to the nonuniqueness of skeletons and unobservability of implicit causes. This paper settled down the above two problems and further proposed Conversational Affective Causal Discovery (CACD). It is a novel causal discovery method showing how to discover causal relationships in a conversation via designing a common skeleton and generating a substitute for implicit causes. CACD contains two steps: (i) building a common centering one graph node causal skeleton for all utterances in variable-length conversations; (ii) Causal Auto-Encoder (CAE) correcting the skeleton to yield causal representation through generated implicit causes and known explicit causes. Comprehensive experiments demonstrate that our novel method significantly outperforms the SOTA baselines in six affect-related datasets on the three tasks.
• Abstract（参考訳）: 感情的推論タスクは、会話における感情に基づくタスクのセットであり、会話における感情認識(ERC)、感情・因果ペア抽出(ECPE)、感情・因果スパン認識(ECSR)などがある。 既存の手法では、骨格の不合理性や暗黙的原因の観測不可能性から本質的因果モデルを無視しながら、明らかな関係について様々な仮定を行っている。 本稿では,上記の2つの問題を整理し,さらにCACD(Conversational Affective Causal Discovery)を提案する。 共通の骨格を設計し、暗黙的な原因の代用を生成することによって、会話における因果関係の発見方法を示す新しい因果発見法である。 CACDには2つのステップがある。 (i)可変長会話におけるすべての発話に対する1つのグラフノード因果骨格の共通中心の構築 (II)因果オートエンコーダ(CAE)は、発生した暗黙的原因および既知の明示的原因を通じて因果的表現をもたらすように骨格を補正する。 包括的実験により,本手法は3つのタスクに対する6つの影響関連データセットにおいて,SOTAベースラインを著しく上回ることを示した。

関連論文リスト

• 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)
• Cause and Effect: Can Large Language Models Truly Understand Causality? [1.2334534968968969]
  本研究では,CARE CA(Content Aware Reasoning Enhancement with Counterfactual Analysis)フレームワークという新しいアーキテクチャを提案する。 提案するフレームワークには,ConceptNetと反ファクト文を備えた明示的な因果検出モジュールと,大規模言語モデルによる暗黙的な因果検出が組み込まれている。 ConceptNetの知識は、因果的発見、因果的識別、反事実的推論といった複数の因果的推論タスクのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2024-02-28T08:02:14Z)
• Enhancing Systematic Decompositional Natural Language Inference Using Informal Logic [51.967603572656266]
  我々は,分解包含を注釈付けするための一貫した理論的なアプローチを導入する。 我々の新しいデータセットRDTEは、前回の分解エンターメントデータセットよりもかなり高い内部整合性(+9%)を持つことがわかった。 また,RDTE による知識蒸留によるエンテーメント分類器の訓練や,エンテーメントツリー推論エンジンへの導入により,精度と検証精度が向上することが確認された。
  論文  参考訳（メタデータ） (2024-02-22T18:55:17Z)
• Improving the Robustness of Knowledge-Grounded Dialogue via Contrastive Learning [71.8876256714229]
  本稿では,知識ベース対話システムの堅牢性向上を目的とした,エンティティベースのコントラスト学習フレームワークを提案する。 提案手法は,自動評価スコアの点から,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-01-09T05:16:52Z)
• SSL Framework for Causal Inconsistency between Structures and Representations [31.895570222735955]
  因果発見と深層学習の相互補間は、ますます広範囲にわたる相互作用を引き起こしている。 不確定データは、因果構造によって表現される因果関係と、深層学習モデルによって生成される因果表現との間に矛盾がある。 因果不整合を軽減するために,介入に基づく自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T08:29:49Z)
• 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)
• Learning a Structural Causal Model for Intuition Reasoning in Conversation [20.243323155177766]
  NLP研究の重要な側面である推論は、一般的なモデルによって適切に対処されていない。 我々は、各発話がどのように情報チャネルを受信し、活性化するかを説明する会話認知モデル(CCM)を開発した。 変分推論を利用することで、暗黙的な原因の代用を探索し、その観測不可能性の問題に対処し、証拠の低い境界を通して発話の因果表現を再構築する。
  論文  参考訳（メタデータ） (2023-05-28T13:54:09Z)
• Enhancing Contrastive Learning with Noise-Guided Attack: Towards Continual Relation Extraction in the Wild [57.468184469589744]
  我々はtextbfContrative textbfLearning(NaCL) における textbfNoise-guided textbf attack という名前の耐雑音性コントラストフレームワークを開発する。 直接雑音除去や到達不能雑音回避と比較して,攻撃により与えられた雑音ラベルに一致するように特徴空間を変更する。
  論文  参考訳（メタデータ） (2023-05-11T18:48:18Z)
• Cross-Modal Causal Relational Reasoning for Event-Level Visual Question Answering [134.91774666260338]
  既存の視覚的質問応答法は、しばしばクロスモーダルなスプリアス相関と過度に単純化されたイベントレベルの推論プロセスに悩まされる。 本稿では,イベントレベルの視覚的質問応答の課題に対処するために,モーダルな因果関係推論のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T04:25:54Z)
• Speaker-Oriented Latent Structures for Dialogue-Based Relation Extraction [10.381257436462116]
  そこで我々は,話者指向の潜在構造を明瞭に誘導し,DiaREを改善する新しいモデルSOLSを提案する。 具体的には,発話境界を超えたトークン間の関係を捉えるために,潜在構造を学習する。 学習過程において、話者固有の正規化手法は、話者に関連するキーキーを徐々に強調し、無関係なキーを消去する。
  論文  参考訳（メタデータ） (2021-09-11T04:24:51Z)
• Deep Structural Causal Models for Tractable Counterfactual Inference [24.26709730032233]
  我々は、ディープラーニングコンポーネントを用いた構造因果モデル(SCM)を構築するための一般的な枠組みを定式化する。 我々のフレームワークは、MNIST上に構築された合成データセットと、実際の脳MRIスキャンの医療データセットに基づいて検証されている。
  論文  参考訳（メタデータ） (2020-06-11T14:52:08Z)

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。