論文の概要: A Diffusion Model for Event Skeleton Generation

• arxiv url: http://arxiv.org/abs/2305.17458v1
• Date: Sat, 27 May 2023 12:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-05-30 19:04:49.972588
• Title: A Diffusion Model for Event Skeleton Generation
• Title（参考訳）: イベント骨格生成のための拡散モデル
• Authors: Fangqi Zhu, Lin Zhang, Jun Gao, Bing Qin, Ruifeng Xu, Haiqin Yang
• Abstract要約: イベントスケルトン生成は、一時的な複合イベントスキーマ誘導タスクにおける重要なステップである。 既存の手法はこのタスクをグラフ生成の観点から効果的に処理する。 これらの問題に対処する新しい拡散事象グラフモデル(DEGM)を提案する。
• 参考スコア（独自算出の注目度）: 32.288113334600595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event skeleton generation, aiming to induce an event schema skeleton graph with abstracted event nodes and their temporal relations from a set of event instance graphs, is a critical step in the temporal complex event schema induction task. Existing methods effectively address this task from a graph generation perspective but suffer from noise-sensitive and error accumulation, e.g., the inability to correct errors while generating schema. We, therefore, propose a novel Diffusion Event Graph Model~(DEGM) to address these issues. Our DEGM is the first workable diffusion model for event skeleton generation, where the embedding and rounding techniques with a custom edge-based loss are introduced to transform a discrete event graph into learnable latent representation. Furthermore, we propose a denoising training process to maintain the model's robustness. Consequently, DEGM derives the final schema, where error correction is guaranteed by iteratively refining the latent representation during the schema generation process. Experimental results on three IED bombing datasets demonstrate that our DEGM achieves better results than other state-of-the-art baselines. Our code and data are available at https://github.com/zhufq00/EventSkeletonGeneration.
• Abstract（参考訳）: イベントスケルトン生成は、イベントノードを抽象化したイベントスキーマスケルトングラフとイベントインスタンスグラフの集合からの時間関係を誘導することを目的としており、時間的複合イベントスキーマ誘導タスクにおいて重要なステップである。 既存の方法は、このタスクをグラフ生成の観点から効果的に処理するが、ノイズに敏感でエラーの蓄積に悩まされる。 そこで我々は,これらの問題に対処する新しい拡散事象グラフモデル~(DEGM)を提案する。 我々のDEGMは、イベントスケルトン生成のための最初の実行可能な拡散モデルであり、個別のイベントグラフを学習可能な潜在表現に変換するために、カスタムエッジベースの損失を伴う埋め込みおよび丸め技術を導入している。 さらに,モデルのロバスト性を維持するための発声訓練プロセスを提案する。 その結果、DEGMは最終スキーマを導出し、スキーマ生成プロセス中に遅延表現を反復的に精錬することでエラー訂正が保証される。 ied爆撃データセットの3つの実験結果は、degmが他の最先端のベースラインよりも優れた結果を得ることを示している。 私たちのコードとデータはhttps://github.com/zhufq00/eventskeletongenerationで入手できます。

関連論文リスト

• Truncated Consistency Models [57.50243901368328]
  トレーニング一貫性モデルは、PF ODE 軌道に沿ったすべての中間点を対応するエンドポイントにマッピングする学習を必要とする。 このトレーニングパラダイムが一貫性モデルの1ステップ生成性能を制限することを実証的に見出した。 整合性関数の新しいパラメータ化と2段階の訓練手順を提案し,時間外学習が崩壊することを防ぐ。
  論文  参考訳（メタデータ） (2024-10-18T22:38:08Z)
• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• Cascading Large Language Models for Salient Event Graph Generation [19.731605612333716]
  CALLMSAEは、SAlient Event Graph生成のためのCAscading Large Language Modelフレームワークである。 まず、LSMにサマリを生成するよう促すことで、サレントイベントを識別する。 次に、イベント関係グラフを生成するための反復的コード改善促進戦略を開発する。 CALLMSAEにより、大規模な自動注釈付きイベントグラフデータセットである textitNYT-SEG を提示する。
  論文  参考訳（メタデータ） (2024-06-26T15:53:54Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• A Graph Regularized Point Process Model For Event Propagation Sequence [2.9093633827040724]
  ポイントプロセスは、不規則な間隔で発生するイベントシーケンスをモデル化するための支配的なパラダイムである。 本稿では,隣接ノード間のイベントインタラクションを特徴付けるグラフ正規化ポイントプロセスを提案する。 グラフ正規化法を適用することにより、GRPPはノード間の影響強度を明らかにすることによってモデル解釈可能性を提供する。
  論文  参考訳（メタデータ） (2022-11-21T04:49:59Z)
• NGEP: A Graph-based Event Planning Framework for Story Generation [17.049035309926637]
  本稿では,自動構築されたイベントグラフ上で推論を行い,イベントシーケンスを生成する新しいイベント計画フレームワークNGEPを提案する。 我々は、複数の基準で様々な実験を行い、その結果、グラフベースのニューラルネットワークは、最先端(SOTA)イベント計画アプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-10-19T14:49:27Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
  実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。 本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
  論文  参考訳（メタデータ） (2021-08-16T04:20:09Z)
• Future is not One-dimensional: Graph Modeling based Complex Event Schema Induction for Event Prediction [90.75260063651763]
  本稿では、イベント、引数、時間的接続、引数関係を含むグラフベースのスキーマ表現であるテンポラル複合イベントの概念を紹介する。 イベントグラフを伴う6,399のドキュメントを含む新しいスキーマ学習コーパスをリリースし,手動でゴールドスキーマを構築した。
  論文  参考訳（メタデータ） (2021-04-13T16:41:05Z)
• Neural Language Modeling for Contextualized Temporal Graph Generation [49.21890450444187]
  本稿では,大規模事前学習言語モデルを用いた文書のイベントレベル時間グラフの自動生成に関する最初の研究について述べる。
  論文  参考訳（メタデータ） (2020-10-20T07:08:00Z)

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。