Fugu-MT 論文翻訳(概要): DAPrompt: Deterministic Assumption Prompt Learning for Event Causality Identification

論文の概要: DAPrompt: Deterministic Assumption Prompt Learning for Event Causality Identification

arxiv url: http://arxiv.org/abs/2307.09813v1
Date: Wed, 19 Jul 2023 08:02:20 GMT
ステータス: 処理完了
システム内更新日: 2023-07-20 14:57:44.009876
Title: DAPrompt: Deterministic Assumption Prompt Learning for Event Causality Identification
Title（参考訳）: daprompt: 決定論的仮定プロンプト学習による事象因果性同定
Authors: Wei Xiang and Chuanhong Zhan and Bang Wang
Abstract要約: 事象因果同定(ECI)は、2つの事象の言及の間に因果関係があるかどうかを決定することを目的としている。 ECIタスクに対して,DAPromptと呼ばれる決定論的仮定プロンプト学習モデルを提案する。我々は、予測事象の確率を用いて、最終事象因果決定の仮定合理性を評価する。
参考スコア（独自算出の注目度）: 8.102227953905206
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Event Causality Identification (ECI) aims at determining whether there is a causal relation between two event mentions. Conventional prompt learning designs a prompt template to first predict an answer word and then maps it to the final decision. Unlike conventional prompts, we argue that predicting an answer word may not be a necessary prerequisite for the ECI task. Instead, we can first make a deterministic assumption on the existence of causal relation between two events and then evaluate its rationality to either accept or reject the assumption. The design motivation is to try the most utilization of the encyclopedia-like knowledge embedded in a pre-trained language model. In light of such considerations, we propose a deterministic assumption prompt learning model, called DAPrompt, for the ECI task. In particular, we design a simple deterministic assumption template concatenating with the input event pair, which includes two masks as predicted events' tokens. We use the probabilities of predicted events to evaluate the assumption rationality for the final event causality decision. Experiments on the EventStoryLine corpus and Causal-TimeBank corpus validate our design objective in terms of significant performance improvements over the state-of-the-art algorithms.
Abstract（参考訳）: 事象因果同定(ECI)は、2つの事象の言及の間に因果関係があるかどうかを決定することを目的としている。従来のプロンプト学習は、最初に答え語を予測し、それを最終決定にマップするプロンプトテンプレートを設計する。従来のプロンプトとは異なり、解答語を予測することは、ECIタスクに必要な前提条件ではない。代わりに、まず2つの事象間の因果関係の存在を決定論的仮定し、その合理性を評価して仮定を受け入れるか拒否するかする。設計の動機は、事前学習された言語モデルに埋め込まれた百科事典のような知識を最大限活用することにある。そこで本研究では,eciタスクのための決定論的仮定プロンプト学習モデルdapromptを提案する。特に、2つのマスクを含む入力イベントペアと結合した単純な決定論的仮定テンプレートを予測イベントのトークンとして設計する。我々は、予測事象の確率を用いて、最終事象因果決定の仮定合理性を評価する。 EventStoryLine corpusとCausal-TimeBank corpusの実験は、最先端のアルゴリズムに対する大幅なパフォーマンス改善の観点から、私たちの設計目標を検証する。

関連論文リスト

EVIT: Event-Oriented Instruction Tuning for Event Reasoning [18.012724531672813]
イベント推論は、特定の関係に従ってイベントを推論し、将来のイベントを予測することを目的としている。大規模言語モデル(LLM)は、その豊富な知識と推論能力のために、イベント推論において大きな進歩を遂げている。しかし、現在使われている命令調整モデルでは、これらのタスクを管理するのに例外的な習熟度が一貫して示されていない。
論文参考訳（メタデータ） (2024-04-18T08:14:53Z)
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)
CASA: Causality-driven Argument Sufficiency Assessment [79.13496878681309]
ゼロショット因果関係に基づく議論十分性評価フレームワークであるCASAを提案する。 PSは前提イベントの導入が前提イベントと結論イベントの両方が欠落した場合の結論につながる可能性を測っている。 2つの論理的誤り検出データセットの実験により、CASAは不十分な議論を正確に識別することを示した。
論文参考訳（メタデータ） (2024-01-10T16:21:18Z)
Event Knowledge Incorporation with Posterior Regularization for Event-Centric Question Answering [32.03893317439898]
本稿では,イベントトリガアノテーションから抽出したイベント知識を後続正則化により組み込む戦略を提案する。特に、QAデータセットのイベントトリガアノテーションに基づいて、イベント関連の知識制約を定義します。イベント中心の2つのQAデータセットであるTORQUEとESTERについて実験を行った。
論文参考訳（メタデータ） (2023-05-08T07:45:12Z)
A Generative Approach for Script Event Prediction via Contrastive Fine-tuning [35.87615178251874]
Scriptイベント予測は、コンテキストが与えられた後続のイベントを予測することを目的としている。近年の研究では,事前学習言語モデルと外部知識の導入により,事象相関推論の改善が試みられている。本稿では,事前学習した言語モデルをイベント中心の事前学習目的で微調整する,新しい生成手法を提案する。
論文参考訳（メタデータ） (2022-12-07T07:32:47Z)
Semantic Pivoting Model for Effective Event Detection [19.205550116466604]
Event Detectionは、構造化されていない記事からイベントインスタンスの参照を識別し、分類することを目的としている。イベント検出の既存のテクニックは、イベントタイプクラスを表現するために、均質な1ホットベクトルのみを使用しており、型の意味がタスクにとって重要であるという事実を無視している。本稿では,学習中の事前情報を明示的に組み込んで,入力とイベント間の意味的に意味のある相関関係を捉えるセマンティック・ピロリング・モデル(SPEED)を提案する。
論文参考訳（メタデータ） (2022-11-01T19:20:34Z)
ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification [74.6318379374801]
本稿では,イベント中心推論のための一般相関対応コンテキスト・イベント変換器(ClarET)の事前学習を提案する。提案されたClarETは、幅広いイベント中心の推論シナリオに適用できる。
論文参考訳（メタデータ） (2022-03-04T10:11:15Z)
Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
論文参考訳（メタデータ） (2021-09-13T20:50:37Z)
Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-01T09:52:31Z)
Unsupervised Label-aware Event Trigger and Argument Classification [73.86358632937372]
まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
論文参考訳（メタデータ） (2020-12-30T17:47:24Z)
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。