論文の概要: From Simple to Complex: A Progressive Framework for Document-level Informative Argument Extraction

• arxiv url: http://arxiv.org/abs/2310.16358v1
• Date: Wed, 25 Oct 2023 04:38:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 16:47:12.780343
• Title: From Simple to Complex: A Progressive Framework for Document-level Informative Argument Extraction
• Title（参考訳）: 単純から複雑へ: 文書レベルの代名詞抽出のためのプログレッシブなフレームワーク
• Authors: Quzhe Huang, Yanxi Zhang, Dongyan Zhao
• Abstract要約: イベント引数抽出(EAE)は、単一のドキュメントから複数のイベントの引数を抽出するモデルを必要とする。 文書レベルEAEのための簡易・複雑プログレッシブフレームワークを提案する。 提案手法は,F1 において SOTA を 1.4% 上回る性能を示し,EAE タスクにおいて有用であることを示す。
• 参考スコア（独自算出の注目度）: 34.37013964529546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document-level Event Argument Extraction (EAE) requires the model to extract arguments of multiple events from a single document. Considering the underlying dependencies between these events, recent efforts leverage the idea of "memory", where the results of already predicted events are cached and can be retrieved to help the prediction of upcoming events. These methods extract events according to their appearance order in the document, however, the event that appears in the first sentence does not mean that it is the easiest to extract. Existing methods might introduce noise to the extraction of upcoming events if they rely on an incorrect prediction of previous events. In order to provide more reliable memory, we propose a simple-to-complex progressive framework for document-level EAE. Specifically, we first calculate the difficulty of each event and then, we conduct the extraction following a simple-to-complex order. In this way, the memory will store the most certain results, and the model could use these reliable sources to help the prediction of more difficult events. Experiments on WikiEvents show that our model outperforms SOTA by 1.4% in F1, indicating the proposed simple-to-complex framework is useful in the EAE task.
• Abstract（参考訳）: ドキュメントレベルのイベント引数抽出(EAE)では、単一のドキュメントから複数のイベントの引数を抽出する必要がある。 これらのイベント間の基盤となる依存関係を考慮すると、最近の取り組みは、すでに予測されているイベントの結果がキャッシュされ、次のイベントの予測を支援するために取得できる"メモリ"というアイデアを活用している。 これらの方法は文書中の出現順に応じてイベントを抽出するが、第1文に現れるイベントは、抽出するのが最も容易であるという意味ではない。 既存のメソッドは、以前のイベントの誤った予測に依存する場合、今後のイベントの抽出にノイズをもたらす可能性がある。 より信頼性の高いメモリを提供するため,文書レベルEAEのための簡易・複雑プログレッシブフレームワークを提案する。 具体的には、まず各事象の難易度を計算し、次に単純で複雑な順序で抽出を行う。 このようにして、メモリは最も特定の結果を格納し、モデルはこれらの信頼できるソースを使用してより難しいイベントを予測するのに役立つ。 WikiEventsの実験では、私たちのモデルはF1においてSOTAよりも1.4%優れており、EAEタスクにおいて提案されたシンプルで複雑なフレームワークが有用であ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)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• 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)
• Zero-Shot On-the-Fly Event Schema Induction [61.91468909200566]
  本稿では,大規模な言語モデルを用いて,高レベルなイベント定義,特定のイベント,引数,それらの関係を予測・付与するソースドキュメントを生成する手法を提案する。 我々のモデルを用いて、任意のトピックに関する完全なスキーマを、手動のデータ収集、すなわちゼロショットの方法で、オンザフライで生成することができる。
  論文  参考訳（メタデータ） (2022-10-12T14:37:00Z)
• Dynamic Global Memory for Document-level Argument Extraction [63.314514124716936]
  文書レベルのイベント引数抽出のための,新しいグローバルなニューラルジェネレーションベースのフレームワークを提案する。 文書メモリストアを使用してコンテキストイベント情報を記録し、それを暗黙的に明示的に活用することで、後のイベントの引数の復号に役立ちます。 実験結果から,我々のフレームワークは従来の手法よりも大幅に優れていたことが判明した。
  論文  参考訳（メタデータ） (2022-09-18T23:45:25Z)
• 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)
• CasEE: A Joint Learning Framework with Cascade Decoding for Overlapping Event Extraction [9.300138832652658]
  イベント抽出(EE)は、テキスト中のイベント情報を抽出することを目的とした重要な情報抽出タスクである。 この研究は現実的な事象重なり合う問題を体系的に研究し、ある単語が異なる役割を持つ複数の型や引数を持つ引き金として機能する可能性がある。 本稿では,CasEEと呼ばれるイベント抽出を重畳するカスケードデコードを用いた新しい共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-04T10:01:55Z)
• Document-Level Event Argument Extraction by Conditional Generation [75.73327502536938]
  イベント抽出は、長い間IEコミュニティで文レベルのタスクとして扱われてきた。 タスクを条件生成型イベントテンプレートとして定式化することで,ドキュメントレベルのニューラルイベント引数抽出モデルを提案する。 また、新しいドキュメントレベルのイベント抽出ベンチマークデータセットWikiEventsもコンパイルします。
  論文  参考訳（メタデータ） (2021-04-13T03:36:38Z)
• Document-level Event Extraction with Efficient End-to-end Learning of Cross-event Dependencies [37.96254956540803]
  本稿では,構造化予測アルゴリズムであるDeep Value Networks (DVN) を利用したエンドツーエンドモデルを提案する。 提案手法はACE05上でのCRFモデルに匹敵する性能を達成し,計算効率は極めて高い。
  論文  参考訳（メタデータ） (2020-10-24T05:28:16Z)
• Probing and Fine-tuning Reading Comprehension Models for Few-shot Event Extraction [17.548548562222766]
  イベント抽出のための読解フレームワークを提案する。 適切なクエリテンプレートを構築することで,タスクやラベルのセマンティクスに関する豊富な知識を効果的に抽出することができる。 本手法は,ACE 2005ベンチマークにおいて,全監督訓練を行った場合の最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-10-21T21:48:39Z)

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。