論文の概要: Revisiting Event Argument Extraction: Can EAE Models Learn Better When Being Aware of Event Co-occurrences?

• arxiv url: http://arxiv.org/abs/2306.00502v1
• Date: Thu, 1 Jun 2023 09:53:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 17:13:39.865740
• Title: Revisiting Event Argument Extraction: Can EAE Models Learn Better When Being Aware of Event Co-occurrences?
• Title（参考訳）: イベント引数抽出を再考する: イベント共起に気付くと、EAEモデルはより良く学ぶことができるか?
• Authors: Yuxin He, Jingyue Hu and Buzhou Tang
• Abstract要約: イベント共起は過去の研究ではイベント抽出(EE)に有効であることが証明されているが、近年ではイベント引数抽出(EAE)には考慮されていない。 我々は、SOTAプロンプトベースのAEモデルをTabEAEと呼ばれる非自己回帰生成フレームワークに拡張し、複数のイベントの引数を並列に抽出する。
• 参考スコア（独自算出の注目度）: 1.8408341304757987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event co-occurrences have been proved effective for event extraction (EE) in previous studies, but have not been considered for event argument extraction (EAE) recently. In this paper, we try to fill this gap between EE research and EAE research, by highlighting the question that ``Can EAE models learn better when being aware of event co-occurrences?''. To answer this question, we reformulate EAE as a problem of table generation and extend a SOTA prompt-based EAE model into a non-autoregressive generation framework, called TabEAE, which is able to extract the arguments of multiple events in parallel. Under this framework, we experiment with 3 different training-inference schemes on 4 datasets (ACE05, RAMS, WikiEvents and MLEE) and discover that via training the model to extract all events in parallel, it can better distinguish the semantic boundary of each event and its ability to extract single event gets substantially improved. Experimental results show that our method achieves new state-of-the-art performance on the 4 datasets. Our code is avilable at https://github.com/Stardust-hyx/TabEAE.
• Abstract（参考訳）: イベント共起は過去の研究ではイベント抽出(EE)に有効であることが証明されているが、近年ではイベント引数抽出(EAE)には考慮されていない。 本稿では,ee研究とeae研究のギャップを埋めるために,‘イベント共起を意識してeaeモデルがより良く学習できるか’という疑問を浮き彫りにする。 本研究では,テーブル生成の問題としてEAEを再構成し,SOTAプロンプトベースのEAEモデルをTabEAEと呼ばれる非自己回帰生成フレームワークに拡張し,複数のイベントの議論を並列に抽出する。 このフレームワークでは,4つのデータセット(ace05, rams, wikievents, mlee)上で3つの異なるトレーニング参照スキームを実験し,モデルをトレーニングすることですべてのイベントを並列に抽出することで,各イベントの意味的境界を識別し,単一のイベントを抽出する能力が大幅に向上することを発見した。 実験の結果,本手法は4つのデータセットにおいて新たな最先端性能を実現することがわかった。 私たちのコードはhttps://github.com/stardust-hyx/tabeaeで悪用できます。

関連論文リスト

• DEGAP: Dual Event-Guided Adaptive Prefixes for Templated-Based Event Argument Extraction with Slot Querying [32.115904077731386]
  イベント引数抽出(EAE)の最近の進歩は、トレーニングや推論中に有用な補助情報をモデルに組み込むことである。 これらの手法は,(1)検索結果が無関係である場合があり,(2)テンプレートは関連性を考慮せずに,各イベントごとに独立して開発される場合の2つの課題に直面する。 本稿では,2つのプレフィックス,すなわち学習可能なプロンプトベクトル,イベント誘導型適応ゲーティング機構を用いて,これらの課題に対処するDEGAPを提案する。
  論文  参考訳（メタデータ） (2024-05-22T03:56:55Z)
• Beyond Single-Event Extraction: Towards Efficient Document-Level Multi-Event Argument Extraction [19.51890490853855]
  複数項目の引数抽出モデルDEEIAを提案する。 ドキュメント内のすべてのイベントから引数を同時に抽出することができる。 提案手法は,4つの公開データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-05-03T07:04:35Z)
• MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
  MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。 EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
  論文  参考訳（メタデータ） (2023-11-15T16:52:14Z)
• From Simple to Complex: A Progressive Framework for Document-level Informative Argument Extraction [34.37013964529546]
  イベント引数抽出(EAE)は、単一のドキュメントから複数のイベントの引数を抽出するモデルを必要とする。 文書レベルEAEのための簡易・複雑プログレッシブフレームワークを提案する。 提案手法は,F1 において SOTA を 1.4% 上回る性能を示し,EAE タスクにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2023-10-25T04:38:02Z)
• Nested Event Extraction upon Pivot Element Recogniton [66.1868895967315]
  ネストイベントは、インナーネストイベントの引き金として、同時に外部ネストイベントの引数として機能するPivot Elements(PE)の一種を含む。 本稿では,PEの認識に基づくネストイベントを抽出するPerNeeという新しいモデルを提案する。 このモデルは、プロンプトラーニングを使用して、イベントタイプと引数ロールの両方からの情報を組み込んで、より優れたトリガーと引数表現を提供する。
  論文  参考訳（メタデータ） (2023-09-22T15:58:06Z)
• MEE: A Novel Multilingual Event Extraction Dataset [62.80569691825534]
  Event extractは、イベント参照とその引数をテキストから認識することを目的としている。 モデルトレーニングと評価のための高品質な多言語EEデータセットの欠如が主な障害となっている。 本稿では,8言語で50万以上のイベントを参照するアノテーションを提供する新しい多言語イベント抽出データセット(EE)を提案する。
  論文  参考訳（メタデータ） (2022-11-11T02:01:41Z)
• OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction [40.353446897312196]
  イベント抽出(EE)は、構造化されていないテキストから構造化されたイベント情報を抽出することを目的とした、情報抽出の重要なタスクである。 We design a simple yet effective tagging scheme and model to formulate EE as word-word relation recognition, called OneEE。 重なり合った3つのEEベンチマーク、すなわちFewFC、Genia11、Genia13の実験は、OneEEが最先端(SOTA)の結果を達成することを示している。
  論文  参考訳（メタデータ） (2022-09-06T17:59:55Z)
• RAAT: Relation-Augmented Attention Transformer for Relation Modeling in Document-Level Event Extraction [16.87868728956481]
  我々はRelation-augmented Document-level Event extract (ReDEE)と呼ばれる関係依存をモデル化できる新しいDEEフレームワークを提案する。 関連情報をさらに活用するために,個別のイベント関連予測タスクを導入し,マルチタスク学習方式を採用し,イベント抽出性能を明示的に向上する。
  論文  参考訳（メタデータ） (2022-06-07T15:11:42Z)
• EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction [52.43978926985928]
  本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。 WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
  論文  参考訳（メタデータ） (2022-05-30T04:33:51Z)
• GENEVA: Benchmarking Generalizability for Event Argument Extraction with Hundreds of Event Types and Argument Roles [77.05288144035056]
  Event Argument extract (EAE)は、新しいイベントやドメインに対応するためのモデルの一般化性の改善に重点を置いている。 ACEやEREといった標準的なベンチマークデータセットは、40のイベントタイプと25のエンティティ中心の引数ロールをカバーする。
  論文  参考訳（メタデータ） (2022-05-25T05:46:28Z)
• Event Data Association via Robust Model Fitting for Event-based Object Tracking [66.05728523166755]
  本稿では,イベントアソシエーションと融合問題に明示的に対処する新しいイベントデータアソシエーション(EDA)手法を提案する。 提案するEDAは、統合データアソシエーションと情報融合を行うために、イベントデータに最も適したイベントトラジェクトリを求める。 実験結果から,高速,運動のぼやけ,高ダイナミックレンジ条件といった難易度シナリオ下でのEDAの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-25T13:56:00Z)

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。