論文の概要: Co-evolving Graph Reasoning Network for Emotion-Cause Pair Extraction

• arxiv url: http://arxiv.org/abs/2306.04340v1
• Date: Wed, 7 Jun 2023 11:11:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 15:00:27.305249
• Title: Co-evolving Graph Reasoning Network for Emotion-Cause Pair Extraction
• Title（参考訳）: 感情対抽出のための共進化グラフ推論ネットワーク
• Authors: Bowen Xing and Ivor W. Tsang
• Abstract要約: 共進化推論に基づく新しいMTLフレームワークを提案する。 我々は,本モデルが新たな最先端性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 39.76268402567324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion-Cause Pair Extraction (ECPE) aims to extract all emotion clauses and their corresponding cause clauses from a document. Existing approaches tackle this task through multi-task learning (MTL) framework in which the two subtasks provide indicative clues for ECPE. However, the previous MTL framework considers only one round of multi-task reasoning and ignores the reverse feedbacks from ECPE to the subtasks. Besides, its multi-task reasoning only relies on semantics-level interactions, which cannot capture the explicit dependencies, and both the encoder sharing and multi-task hidden states concatenations can hardly capture the causalities. To solve these issues, we first put forward a new MTL framework based on Co-evolving Reasoning. It (1) models the bidirectional feedbacks between ECPE and its subtasks; (2) allows the three tasks to evolve together and prompt each other recurrently; (3) integrates prediction-level interactions to capture explicit dependencies. Then we propose a novel multi-task relational graph (MRG) to sufficiently exploit the causal relations. Finally, we propose a Co-evolving Graph Reasoning Network (CGR-Net) that implements our MTL framework and conducts Co-evolving Reasoning on MRG. Experimental results show that our model achieves new state-of-the-art performance, and further analysis confirms the advantages of our method.
• Abstract（参考訳）: Emotion-Cause Pair extract (ECPE)は、すべての感情節とその対応する原因節を文書から抽出することを目的としている。 既存のアプローチでは、2つのサブタスクがECPEの指示的手がかりを提供するマルチタスク学習(MTL)フレームワークによってこの課題に対処している。 しかし、以前のMTLフレームワークは、マルチタスク推論の1ラウンドのみを考慮しており、ECPEからサブタスクへの逆フィードバックを無視している。 さらに、マルチタスク推論は、明示的な依存関係をキャプチャできないセマンティクスレベルの相互作用にのみ依存しており、エンコーダの共有とマルチタスクの隠蔽状態は因果関係をほとんど捉えない。 これらの問題を解決するために,我々はまず,共進化推論に基づく新しいMTLフレームワークを提案する。 1)ECPEとサブタスク間の双方向フィードバックをモデル化し,(2)3つのタスクを同時に進化させ,相互に繰り返し実行し,(3)明示的な依存関係をキャプチャするために,予測レベルのインタラクションを統合する。 次に、因果関係を十分に活用する新しいマルチタスク関係グラフ(MRG)を提案する。 最後に,MTL フレームワークを実装し,MRG 上で共進化型グラフ推論を行う共進化型グラフ推論ネットワーク (CGR-Net) を提案する。 実験結果から,本モデルが新たな最先端性能を実現し,さらなる解析により本手法の利点が確認された。

関連論文リスト

• Iteration of Thought: Leveraging Inner Dialogue for Autonomous Large Language Model Reasoning [0.0]
  反復的人間のエンゲージメントは、大規模言語モデル(LLM)の高度な言語処理能力を活用するための一般的かつ効果的な手段である。 思考の反復(IoT)フレームワークを提案する。 静的アプローチや半静的アプローチとは異なり、IoTは進化するコンテキストに基づいて推論パスを動的に適応する。
  論文  参考訳（メタデータ） (2024-09-19T09:44:17Z)
• Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
  視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。 我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。 提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
  論文  参考訳（メタデータ） (2024-04-24T17:59:48Z)
• A Novel Energy based Model Mechanism for Multi-modal Aspect-Based Sentiment Analysis [85.77557381023617]
  マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。 PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。 EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
  論文  参考訳（メタデータ） (2023-12-13T12:00:46Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
  マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。 MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
  論文  参考訳（メタデータ） (2023-07-19T02:11:19Z)
• Joint Alignment of Multi-Task Feature and Label Spaces for Emotion Cause Pair Extraction [36.123715709125015]
  感情原因ペア抽出(ECPE)は、感情原因分析(ECA)の派生したサブタスクの1つである。 ECPEは感情抽出(EE)と原因抽出(CE)に関連性のある豊富な特徴を共有している
  論文  参考訳（メタデータ） (2022-09-09T04:06:27Z)
• Modeling Task Interactions in Document-Level Joint Entity and Relation Extraction [20.548299226366193]
  Graph Compatibility(GC)は、タスク特性を活用するために設計されており、直接タスク干渉のための2つのタスクの決定をブリッジする。 GCは、ベースラインよりも2.3/5.1 F1の改善によって最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-04T06:18:28Z)
• Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction [8.208671244754317]
  アスペクトセンチメントトリプレット抽出(ASTE)は、きめ細かいオピニオンマイニングの新たなタスクです。 我々はASTEタスクをマルチターン機械読解(MTMRC)タスクに変換する。 本稿では,この課題に対処する双方向MRC(BMRC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-13T09:30:47Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。