論文の概要: More than Classification: A Unified Framework for Event Temporal Relation Extraction

• arxiv url: http://arxiv.org/abs/2305.17607v1
• Date: Sun, 28 May 2023 02:09:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 17:57:48.897039
• Title: More than Classification: A Unified Framework for Event Temporal Relation Extraction
• Title（参考訳）: more than classification:イベント時間関係抽出のための統一フレームワーク
• Authors: Quzhe Huang, Yutong Hu, Shengqi Zhu, Yansong Feng, Chang Liu, Dongyan Zhao
• Abstract要約: イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。 イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。 本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 61.44799147458621
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event temporal relation extraction~(ETRE) is usually formulated as a multi-label classification task, where each type of relation is simply treated as a one-hot label. This formulation ignores the meaning of relations and wipes out their intrinsic dependency. After examining the relation definitions in various ETRE tasks, we observe that all relations can be interpreted using the start and end time points of events. For example, relation \textit{Includes} could be interpreted as event 1 starting no later than event 2 and ending no earlier than event 2. In this paper, we propose a unified event temporal relation extraction framework, which transforms temporal relations into logical expressions of time points and completes the ETRE by predicting the relations between certain time point pairs. Experiments on TB-Dense and MATRES show significant improvements over a strong baseline and outperform the state-of-the-art model by 0.3\% on both datasets. By representing all relations in a unified framework, we can leverage the relations with sufficient data to assist the learning of other relations, thus achieving stable improvement in low-data scenarios. When the relation definitions are changed, our method can quickly adapt to the new ones by simply modifying the logic expressions that map time points to new event relations. The code is released at \url{https://github.com/AndrewZhe/A-Unified-Framework-for-ETRE}.
• Abstract（参考訳）: イベント時間関係抽出~(etre)は、通常マルチラベル分類タスクとして定式化され、各タイプの関係は単に1つのホットラベルとして扱われる。 この定式化は関係の意味を無視し、固有の依存関係を消去する。 ETREタスクにおける関係定義を調べた結果,イベントの開始点と終了点を用いてすべての関係を解釈できることがわかった。 例えば、関係 \textit{includes} は、イベント 1 がイベント 2 から始まり、イベント 2 よりも早く終わると解釈できる。 本稿では,時間関係を時間軸の論理式に変換し,ある時間軸対間の関係を予測してetreを完了させる統一イベント時間関係抽出フレームワークを提案する。 TB-DenseとMATRESの実験では、強いベースラインよりも大幅に改善され、両方のデータセットで最先端モデルよりも0.35%向上した。 統一されたフレームワークにおけるすべての関係を表現することにより、適切なデータとの関係を利用して、他の関係の学習を支援し、低データシナリオにおける安定した改善を実現することができる。 関係定義が変更されると、時間ポイントを新しいイベントリレーションにマップするロジック式を単純に変更することで、新しいものに素早く適応することができる。 コードは \url{https://github.com/AndrewZhe/A-Unified-Framework-for-ETRE} でリリースされる。

関連論文リスト

• Only One Relation Possible? Modeling the Ambiguity in Event Temporal Relation Extraction [30.319025749352246]
  イベント時間関係抽出(ETRE)は、2つのイベント間の時間的関係を特定することを目的としている。 本稿では, ETRE (METRE) の多ラベル分類法を提案する。 本手法は,textitVagueインスタンスを有効利用して,特定の時間関係の認識を改善する。
  論文  参考訳（メタデータ） (2024-08-14T07:57:51Z)
• GraphERE: Jointly Multiple Event-Event Relation Extraction via Graph-Enhanced Event Embeddings [1.3154296174423619]
  イベント関係抽出は自然言語を理解するために重要である。 本稿では,Graph-enhanced Event Embeddingsに基づく共同で複数のEREフレームワークであるGraphEREを提案する。
  論文  参考訳（メタデータ） (2024-03-19T07:50:32Z)
• ProtoEM: A Prototype-Enhanced Matching Framework for Event Relation Extraction [69.74158631862652]
  イベント関係抽出(ERE)は、テキスト中のイベント間の複数の種類の関係を抽出することを目的としている。 既存の手法では、イベント関係を異なるクラスに分類し、これらの関係の本質的な意味を不適切に捉えている。 複数種類の事象関係の連成抽出のためのプロトタイプ強化マッチング(ProtoEM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-22T14:26:06Z)
• MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference, Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
  アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。 103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。 実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-14T13:34:49Z)
• SERC: Syntactic and Semantic Sequence based Event Relation Classification [2.922007656878633]
  本稿では,時間的特徴と因果的特徴の両方を組み込んで因果関係の分類を行うモデルを提案する。 テキストから2つの事象間の時間的・因果関係を同定するために,テキストの構文構造を用いる。 LSTMを用いた時間的・因果関係分類モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-03T14:58:52Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Predicting Event Time by Classifying Sub-Level Temporal Relations Induced from a Unified Representation of Time Anchors [10.67457147373144]
  本稿では,複雑な時間関係をサブレベル関係に分解する効果的な方法を提案する。 我々のアプローチは最先端の意思決定ツリーモデルより優れている。
  論文  参考訳（メタデータ） (2020-08-14T16:30:07Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。