論文の概要: Type-aware Decoding via Explicitly Aggregating Event Information for Document-level Event Extraction

• arxiv url: http://arxiv.org/abs/2310.10487v1
• Date: Mon, 16 Oct 2023 15:10:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-17 13:36:59.909032
• Title: Type-aware Decoding via Explicitly Aggregating Event Information for Document-level Event Extraction
• Title（参考訳）: 文書レベルイベント抽出のためのイベント情報を明示的に集約するタイプアウェア復号
• Authors: Gang Zhao, Yidong Shi, Shudong Lu, Xinjie Yang, Guanting Dong, Jian Xu, Xiaocheng Gong, Si Li
• Abstract要約: ドキュメントレベルのイベント抽出は2つの大きな課題に直面している。 本稿では,これらの制約に対処する新規な Explicitly Aggregating(SEA) モデルを提案する。 SEAはイベント情報をイベントタイプとロール表現に集約し、特定の型認識表現に基づいてイベントレコードのデコードを可能にする。
• 参考スコア（独自算出の注目度）: 11.432496741340334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document-level event extraction (DEE) faces two main challenges: arguments-scattering and multi-event. Although previous methods attempt to address these challenges, they overlook the interference of event-unrelated sentences during event detection and neglect the mutual interference of different event roles during argument extraction. Therefore, this paper proposes a novel Schema-based Explicitly Aggregating~(SEA) model to address these limitations. SEA aggregates event information into event type and role representations, enabling the decoding of event records based on specific type-aware representations. By detecting each event based on its event type representation, SEA mitigates the interference caused by event-unrelated information. Furthermore, SEA extracts arguments for each role based on its role-aware representations, reducing mutual interference between different roles. Experimental results on the ChFinAnn and DuEE-fin datasets show that SEA outperforms the SOTA methods.
• Abstract（参考訳）: ドキュメントレベルのイベント抽出(DEE)は2つの大きな課題に直面している。 従来の手法ではこれらの課題に対処しようとしたが、イベント検出時にイベント非関連文の干渉を見落とし、引数抽出時に異なるイベントロールの相互干渉を無視した。 そこで本稿では,これらの制約に対処する新しいスキーマベースの明示的アグリゲーション~(SEA)モデルを提案する。 SEAはイベント情報をイベントタイプとロール表現に集約し、特定の型認識表現に基づいてイベントレコードのデコードを可能にする。 イベントタイプ表現に基づいて各イベントを検出することで、seaはイベント非関連情報による干渉を軽減する。 さらに、seaは役割認識表現に基づいて役割毎の引数を抽出し、異なる役割間の相互干渉を減らす。 ChFinAnnおよびDuEE-finデータセットの実験結果は、SEAがSOTA法より優れていることを示している。

関連論文リスト

• 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)
• Token-Event-Role Structure-based Multi-Channel Document-Level Event Extraction [15.02043375212839]
  本稿では,トークン・イベント・ロールと呼ばれる新しいデータ構造を取り入れた,文書レベルのイベント抽出のための新しいフレームワークを提案する。 提案したデータ構造により,複数のイベントにおけるトークンの主要な役割を明らかにすることができ,イベント関係のより包括的な理解が容易になる。 その結果,本手法はF1スコアの9.5ポイント向上した。
  論文  参考訳（メタデータ） (2023-06-30T15:22:57Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Event Causality Extraction with Event Argument Correlations [13.403222002600558]
  Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。 本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
  論文  参考訳（メタデータ） (2023-01-27T09:48:31Z)
• PESE: Event Structure Extraction using Pointer Network based Encoder-Decoder Architecture [0.0]
  イベント抽出(EE)は、テキストからイベントとイベント関連の議論情報を見つけ、構造化形式で表現することを目的としている。 本稿では、各イベントレコードをトリガーフレーズ、トリガータイプ、引数フレーズ、および対応するロール情報を含むユニークな形式で表現する。 提案するポインタネットワークを用いたエンコーダデコーダモデルでは,イベント参加者間のインタラクションを利用して各ステップでイベントを生成する。
  論文  参考訳（メタデータ） (2022-11-22T10:36:56Z)
• Unifying Event Detection and Captioning as Sequence Generation via Pre-Training [53.613265415703815]
  本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。 我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
  論文  参考訳（メタデータ） (2022-07-18T14:18:13Z)
• 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)
• 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)
• Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
  本稿では,OED(Ongoing Event Detection)タスクを紹介する。 目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。 構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
  論文  参考訳（メタデータ） (2020-07-02T20:44:05Z)

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。