論文の概要: A Cross-Domain Evaluation of Approaches for Causal Knowledge Extraction

• arxiv url: http://arxiv.org/abs/2308.03891v1
• Date: Mon, 7 Aug 2023 19:50:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 15:06:31.695307
• Title: A Cross-Domain Evaluation of Approaches for Causal Knowledge Extraction
• Title（参考訳）: 因果知識抽出手法のクロスドメイン評価
• Authors: Anik Saha, Oktie Hassanzadeh, Alex Gittens, Jian Ni, Kavitha Srinivas, Bulent Yener
• Abstract要約: 因果知識抽出は、因果関係を検出することによって、テキストから関連する原因や効果を抽出するタスクである。 因果的知識抽出のための3つの配列タグ付けモデルの徹底的な解析を行い、因果的知識抽出のためのスパンベースアプローチと比較する。 我々の実験は、事前訓練された言語モデル(例えばBERT)からの埋め込みがこのタスクに顕著なパフォーマンス向上をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 12.558498579998862
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Causal knowledge extraction is the task of extracting relevant causes and effects from text by detecting the causal relation. Although this task is important for language understanding and knowledge discovery, recent works in this domain have largely focused on binary classification of a text segment as causal or non-causal. In this regard, we perform a thorough analysis of three sequence tagging models for causal knowledge extraction and compare it with a span based approach to causality extraction. Our experiments show that embeddings from pre-trained language models (e.g. BERT) provide a significant performance boost on this task compared to previous state-of-the-art models with complex architectures. We observe that span based models perform better than simple sequence tagging models based on BERT across all 4 data sets from diverse domains with different types of cause-effect phrases.
• Abstract（参考訳）: 因果知識抽出は、因果関係を検出することによって、テキストから関連する原因や効果を抽出するタスクである。 このタスクは言語理解と知識発見に重要であるが、この領域の最近の研究は、テキストセグメントを因果または非因果としてバイナリ分類することに重点を置いている。 本研究では,因果知識抽出のための3つの系列タグ付けモデルの徹底的な分析を行い,因果関係抽出に対するスパンベースアプローチと比較する。 我々の実験は、事前訓練された言語モデル(例えばBERT)からの埋め込みが、複雑なアーキテクチャを持つ以前の最先端モデルと比較して、このタスクに顕著なパフォーマンス向上をもたらすことを示した。 我々は,多種多様なドメインの4つのデータセットにまたがる単純シーケンスタグモデルよりも,スパンベースモデルの方が優れた性能を示すことを確かめた。

関連論文リスト

• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Constructing and Interpreting Causal Knowledge Graphs from News [3.3071569417370745]
  多くの金融職は、過去と現在における因果関係について学ぶためにニュースに頼り、将来についての情報的な決定と予測を行う。 本稿では,(1)因果関係の抽出,(2)論点クラスタリングと表現のKGへの変換という2つのステップを用いて,ニュースから因果知識グラフ(KG)を構築する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-16T11:33:32Z)
• REKnow: Enhanced Knowledge for Joint Entity and Relation Extraction [30.829001748700637]
  関係抽出はテキストからすべての隠れた関係事実を抽出することを目的とした課題である。 様々な関係抽出設定下でうまく機能する統一されたフレームワークは存在しない。 これら2つの問題を緩和する知識強化型生成モデルを提案する。 本モデルは,WebNLG,NYT10,TACREDなど,複数のベンチマークや設定において優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-06-10T13:59:38Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• TAGPRIME: A Unified Framework for Relational Structure Extraction [71.88926365652034]
  TAGPRIMEは、与えられた条件に関する情報を入力テキストに追加するシーケンスタグ付けモデルである。 事前学習された言語モデルにおける自己認識機構により、プライミングワードは、出力された文脈化された表現に、与えられた条件に関するより多くの情報を含む。 5つの異なる言語にまたがる10のデータセットをカバーする3つのタスクに関する大規模な実験と分析は、TAGPRIMEの汎用性と有効性を示している。
  論文  参考訳（メタデータ） (2022-05-25T08:57:46Z)
• An Empirical Investigation of Commonsense Self-Supervision with Knowledge Graphs [67.23285413610243]
  大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。 本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
  論文  参考訳（メタデータ） (2022-05-21T19:49:04Z)
• Modeling Multi-Granularity Hierarchical Features for Relation Extraction [26.852869800344813]
  本稿では,原文のみに基づく多粒度特徴抽出手法を提案する。 外部知識を必要とせずに,効果的な構造的特徴が達成可能であることを示す。
  論文  参考訳（メタデータ） (2022-04-09T09:44:05Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)

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。