論文の概要: COLA: Contextualized Commonsense Causal Reasoning from the Causal
Inference Perspective
- arxiv url: http://arxiv.org/abs/2305.05191v1
- Date: Tue, 9 May 2023 05:56:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 13:47:13.321446
- Title: COLA: Contextualized Commonsense Causal Reasoning from the Causal
Inference Perspective
- Title(参考訳): cola: 因果推論の観点から見た文脈化コモンセンス因果推論
- Authors: Zhaowei Wang, Quyet V. Do, Hongming Zhang, Jiayao Zhang, Weiqi Wang,
Tianqing Fang, Yangqiu Song, Ginny Y. Wong, Simon See
- Abstract要約: 本稿では、イベントシーケンス中の2つのイベント間のコモンセンス因果関係(コンテキスト)を検出するための新しいタスクを提案する。
因果推論の観点からタスクを解決するために、COLA(Contextualized Commonsense Causality Reasoner)というゼロショットフレームワークも設計しています。
大規模な実験により,COLAは基準線よりも高精度にコモンセンス因果性を検出することができた。
- 参考スコア(独自算出の注目度): 38.49046289133713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting commonsense causal relations (causation) between events has long
been an essential yet challenging task. Given that events are complicated, an
event may have different causes under various contexts. Thus, exploiting
context plays an essential role in detecting causal relations. Meanwhile,
previous works about commonsense causation only consider two events and ignore
their context, simplifying the task formulation. This paper proposes a new task
to detect commonsense causation between two events in an event sequence (i.e.,
context), called contextualized commonsense causal reasoning. We also design a
zero-shot framework: COLA (Contextualized Commonsense Causality Reasoner) to
solve the task from the causal inference perspective. This framework obtains
rich incidental supervision from temporality and balances covariates from
multiple timestamps to remove confounding effects. Our extensive experiments
show that COLA can detect commonsense causality more accurately than baselines.
- Abstract(参考訳): イベント間のコモンセンス因果関係(因果関係)の検出は、長い間必要不可欠な課題であった。
イベントが複雑であることを考えると、イベントはさまざまなコンテキストで異なる原因を持つ可能性がある。
したがって、文脈の活用は因果関係を検出する上で重要な役割を果たす。
一方、コモンセンス因果関係に関する以前の研究は2つのイベントのみを考慮し、それらのコンテキストを無視し、タスクの定式化を単純化した。
本稿では,コンテクスト化コモンセンス因果推論(contextized commonsense causal reasoning)と呼ばれる,イベントシーケンス内の2つのイベント(コンテキスト)間のコモンセンス因果関係を検出する新しいタスクを提案する。
因果推論の観点からタスクを解決するために、COLA(Contextualized Commonsense Causality Reasoner)というゼロショットフレームワークも設計しています。
このフレームワークは、時間性から豊富なインシデント監視を取得し、複数のタイムスタンプから共変量をバランスさせ、相反する効果を取り除く。
大規模な実験により,COLAは基準線よりも高精度にコモンセンス因果性を検出することができた。
関連論文リスト
- MECD: Unlocking Multi-Event Causal Discovery in Video Reasoning [23.928977574352796]
新しいタスクとデータセットであるMulti-Event Causal Discovery (MECD)を導入する。
時系列的に長いビデオに分散したイベント間の因果関係を明らかにすることを目的としている。
我々は,効率的なマスクベースの事象予測モデルを用いて,Granger Causality法にインスパイアされた新しいフレームワークを考案した。
論文 参考訳(メタデータ) (2024-09-26T08:51:29Z) - New Rules for Causal Identification with Background Knowledge [59.733125324672656]
オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。
これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
論文 参考訳(メタデータ) (2024-07-21T20:21:21Z) - CELLO: Causal Evaluation of Large Vision-Language Models [9.928321287432365]
因果推論は人間の知性の基本であり、現実世界の環境における効果的な意思決定に不可欠である。
我々は,人間と物体の相互作用を含む因果関係の微細で統一的な定義を導入する。
我々は,4段階の因果関係に関する14,094の因果関係質問からなる新しいデータセットであるCellOを構築した。
論文 参考訳(メタデータ) (2024-06-27T12:34:52Z) - 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) - CRAB: Assessing the Strength of Causal Relationships Between Real-world
Events [20.74723427835013]
実世界の物語における出来事の因果的理解を評価するための新しい因果推論評価ベンチマークであるCRABを提案する。
いくつかの大規模言語モデルの性能を計測し、ほとんどのシステムがそのタスクにおいて性能が劣っていることを示す。
古典的因果関係の原理により、CRABにおける事象群の因果構造を解析し、複雑な因果構造からイベントが導出される場合、モデルが因果推論に悪影響を及ぼすことを見出した。
論文 参考訳(メタデータ) (2023-11-07T19:00:44Z) - Getting Sick After Seeing a Doctor? Diagnosing and Mitigating Knowledge Conflicts in Event Temporal Reasoning [87.92209048521153]
出来事の時間的推論は、物語から2つ以上の出来事の間の時間的関係を特定することを目的としている。
知識の衝突は、コンテキスト内の事象の実際の時間的関係と、モデルによって学習された事前の知識やバイアスとの間にミスマッチがあるときに起こる。
論文 参考訳(メタデータ) (2023-05-24T10:04:06Z) - Everything Has a Cause: Leveraging Causal Inference in Legal Text
Analysis [62.44432226563088]
因果推論は変数間の因果関係を捉えるプロセスである。
本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。
GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
論文 参考訳(メタデータ) (2021-04-19T16:13:10Z) - Temporal Reasoning on Implicit Events from Distant Supervision [91.20159064951487]
本稿では,暗黙的事象の理解度を評価する新しい時間的推論データセットを提案する。
我々は、暗黙の出来事と明示的な出来事の間の時間的関係を予測する際に、最先端のモデルが苦労していることを発見した。
本稿では,大規模テキストからの遠隔監視信号を利用して終末時刻を推定する,ニューロシンボリックな時間的推論モデルSYMTIMEを提案する。
論文 参考訳(メタデータ) (2020-10-24T03:12:27Z)
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。