論文の概要: AutoAM: An End-To-End Neural Model for Automatic and Universal Argument Mining

• arxiv url: http://arxiv.org/abs/2309.09300v1
• Date: Sun, 17 Sep 2023 15:26:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 16:22:51.947457
• Title: AutoAM: An End-To-End Neural Model for Automatic and Universal Argument Mining
• Title（参考訳）: AutoAM: 自動およびユニバーサル引数マイニングのためのエンドツーエンドニューラルネットワーク
• Authors: Lang Cao
• Abstract要約: これらの問題を解決するために,AutoAMと呼ばれる新しいニューラルモデルを提案する。 我々のモデルは、ツリー構造のような制約なしに引数構造を解析できる普遍的なエンドツーエンドフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Argument mining is to analyze argument structure and extract important argument information from unstructured text. An argument mining system can help people automatically gain causal and logical information behind the text. As argumentative corpus gradually increases, like more people begin to argue and debate on social media, argument mining from them is becoming increasingly critical. However, argument mining is still a big challenge in natural language tasks due to its difficulty, and relative techniques are not mature. For example, research on non-tree argument mining needs to be done more. Most works just focus on extracting tree structure argument information. Moreover, current methods cannot accurately describe and capture argument relations and do not predict their types. In this paper, we propose a novel neural model called AutoAM to solve these problems. We first introduce the argument component attention mechanism in our model. It can capture the relevant information between argument components, so our model can better perform argument mining. Our model is a universal end-to-end framework, which can analyze argument structure without constraints like tree structure and complete three subtasks of argument mining in one model. The experiment results show that our model outperforms the existing works on several metrics in two public datasets.
• Abstract（参考訳）: 引数マイニングは、引数構造を分析し、非構造化テキストから重要な引数情報を抽出することである。 議論マイニングシステムは、テキストの背後にある因果情報と論理情報を自動的に得るのに役立つ。 議論的コーパスが徐々に増加し、ソーシャルメディア上で議論や議論を始めるにつれて、議論的マイニングがますます重要になっている。 しかし, 自然言語処理の難しさから, 議論マイニングは依然として大きな課題であり, 相対的手法は未熟である。 例えば、木以外の議論採掘の研究はもっと行う必要がある。 ほとんどの作業は、ツリー構造引数情報を抽出することに集中している。 さらに、現在の手法では、引数関係を正確に記述およびキャプチャすることができず、それらの型を予測できない。 本稿では,これらの問題を解決するために,AutoAMと呼ばれるニューラルモデルを提案する。 まず,議論成分の注意機構をモデルに導入する。 引数コンポーネント間の関連情報をキャプチャできるので、私たちのモデルは引数マイニングをよりうまく実行できます。 私たちのモデルは、木構造のような制約なしに引数構造を解析し、1つのモデルで引数マイニングの3つのサブタスクを完了できる、普遍的なエンドツーエンドフレームワークです。 実験の結果,提案モデルは2つの公開データセットにおいて,複数のメトリクスを用いた既存の作業よりも優れていることがわかった。

関連論文リスト

• ArgU: A Controllable Factual Argument Generator [0.0]
  ArgUは、入力された事実と実世界の概念から現実の議論を生成することができる神経引数生成器である。 我々は6つのトピックと6つの引数スキームにまたがる69,428の引数からなる注釈付きコーパスを作成した。
  論文  参考訳（メタデータ） (2023-05-09T10:49:45Z)
• MetaLogic: Logical Reasoning Explanations with Fine-Grained Structure [129.8481568648651]
  複雑な実生活シナリオにおけるモデルの論理的推論能力を調べるためのベンチマークを提案する。 推論のマルチホップ連鎖に基づいて、説明形式は3つの主成分を含む。 この新たな説明形式を用いて,現在のベストモデルの性能を評価した。
  論文  参考訳（メタデータ） (2022-10-22T16:01:13Z)
• Diversity Over Size: On the Effect of Sample and Topic Sizes for Topic-Dependent Argument Mining Datasets [49.65208986436848]
  本研究では,アーギュメント・マイニング・データセットの構成が,少数・ゼロショット設定における影響について検討する。 実験結果から, モデル性能の達成には微調整が必須であるが, 慎重に構成したトレーニングサンプルを用いることで, トレーニングサンプルサイズを最大90%まで下げることで, 最大性能の95%を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-05-23T17:14:32Z)
• Explainable AI through the Learning of Arguments [0.0]
  シンボリック機械学習技術は、中間表現として引数の集合を学ぶ。 本稿では,Verheij氏が提唱する「ケースモデル」から議論の学習について考察する。 ケースモデルからの議論の学習をHeROアルゴリズムと比較し,決定木を学習する。
  論文  参考訳（メタデータ） (2022-02-01T12:52:30Z)
• Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations [70.35379323231241]
  本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。 我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。 実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-23T13:24:39Z)
• Aspect-Based Argument Mining [2.3148470932285665]
  Aspect-Based Argument Mining (ABAM) の課題として,Aspect Term extract (ATE) と Nested Term extract (NS) の基本的なサブタスクについて述べる。 私たちはアスペクトをメインポイント(s)引数ユニットが対処していると見なしています。 この情報は、議論のランク付け、議論の要約、生成などの下流タスクや、アスペクトレベルの逆問題探索に重要である。
  論文  参考訳（メタデータ） (2020-11-01T21:57:51Z)
• Aspect-Controlled Neural Argument Generation [65.91772010586605]
  我々は、与えられたトピック、スタンス、アスペクトの文レベル引数を生成するために、きめ細かいレベルで制御できる引数生成のための言語モデルを訓練する。 評価の結果,我々の生成モデルは高品質なアスペクト特異的な議論を生成できることがわかった。 これらの議論は、データ拡張による姿勢検出モデルの性能向上と、逆問題の生成に使用できる。
  論文  参考訳（メタデータ） (2020-04-30T20:17:22Z)
• AMPERSAND: Argument Mining for PERSuAsive oNline Discussions [41.06165177604387]
  本稿では,オンライン議論フォーラムにおける議論マイニングのための計算モデルを提案する。 我々のアプローチは、議論スレッド内の引数のコンポーネント間の関係を識別することに依存します。 我々のモデルは最近の最先端のアプローチと比較して大幅に改善されている。
  論文  参考訳（メタデータ） (2020-04-30T10:33:40Z)
• Multi-Step Inference for Reasoning Over Paragraphs [95.91527524872832]
  テキスト上の複雑な推論には、自由形式の述語と論理的な連結体を理解し、連鎖する必要がある。 本稿では,ニューラルネットワークを連想させる構成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-06T21:12:53Z)

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。