論文の概要: Dynamically Updating Event Representations for Temporal Relation
Classification with Multi-category Learning
- arxiv url: http://arxiv.org/abs/2310.20236v1
- Date: Tue, 31 Oct 2023 07:41:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 16:11:17.007241
- Title: Dynamically Updating Event Representations for Temporal Relation
Classification with Multi-category Learning
- Title（参考訳）: 多カテゴリー学習を用いた時間関係分類のための動的更新イベント表現
- Authors: Fei Cheng, Masayuki Asahara, Ichiro Kobayashi, Sadao Kurohashi
- Abstract要約: 時間的関係分類は、2つの言及間の時間的リンク(Tlink)の関係を特定するためのペアワイズタスクである。
本稿では,複数のTlinkカテゴリにまたがる動的イベント表現を管理するイベント中心モデルを提案する。
提案手法は,英語と日本語の両方のデータに基づいて,最先端のモデルと2つの転移学習ベースラインより優れている。
- 参考スコア（独自算出の注目度）: 35.27714529976667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal relation classification is a pair-wise task for identifying the
relation of a temporal link (TLINK) between two mentions, i.e. event, time, and
document creation time (DCT). It leads to two crucial limits: 1) Two TLINKs
involving a common mention do not share information. 2) Existing models with
independent classifiers for each TLINK category (E2E, E2T, and E2D) hinder from
using the whole data. This paper presents an event centric model that allows to
manage dynamic event representations across multiple TLINKs. Our model deals
with three TLINK categories with multi-task learning to leverage the full size
of data. The experimental results show that our proposal outperforms
state-of-the-art models and two transfer learning baselines on both the English
and Japanese data.
- Abstract（参考訳）: 時間的関係分類は、事象、時間、文書作成時間(DCT)という2つの言及の間の時間的リンク(TLINK)の関係を特定するためのペアワイズタスクである。
これは2つの重要な限界をもたらします
1)共通の言及を含む2つのTLINKは情報を共有しない。
2)TLINKカテゴリごとに独立した分類器を持つ既存のモデル(E2E,E2T,E2D)は,全データの使用を妨げる。
本稿では,複数のTLINK間で動的イベント表現を管理するイベント中心モデルを提案する。
我々のモデルは3つのTLINKカテゴリとマルチタスク学習を扱い、データサイズを最大限に活用する。
実験結果から,本提案手法は,英語と日本語のデータに基づいて,最先端のモデルと2つの転移学習ベースラインより優れていることが示された。
関連論文リスト
- Generative Retrieval Meets Multi-Graded Relevance [104.75244721442756]
GRADed Generative Retrieval (GR$2$)というフレームワークを紹介します。
GR$2$は2つの重要なコンポーネントに焦点を当てている。
マルチグレードとバイナリの関連性を持つデータセットの実験は,GR$2$の有効性を示した。
論文 参考訳（メタデータ） (2024-09-27T02:55:53Z) - Event GDR: Event-Centric Generative Document Retrieval [37.53593254200252]
イベント中心の生成文書検索モデルであるEvent GDRを提案する。
我々は、文書の包括性と内的内容の相関を保証するために、文書のモデル化にイベントと関係を用いる。
識別子構築では、イベントを適切に定義されたイベント分類にマッピングし、明示的な意味構造を持つ識別子を構築する。
論文 参考訳（メタデータ） (2024-05-11T02:55:11Z) - More than Classification: A Unified Framework for Event Temporal
Relation Extraction [61.44799147458621]
イベント時間関係抽出(ETRE)は通常、マルチラベル分類タスクとして定式化される。
イベントの開始点と終了点を使ってすべての関係を解釈できることを観察する。
本稿では,時間関係を時間点の論理的表現に変換するイベント時間関係抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-28T02:09:08Z) - Co-Occurrence Matters: Learning Action Relation for Temporal Action
Localization [41.44022912961265]
本稿では,行動間の共起関係を明示的にモデル化する新しい共起関係モジュール(CORM)を提案する。
視覚情報に加えて、クラスラベルのセマンティック埋め込みを利用して、共起関係をモデル化する。
提案手法は,高いマルチラベル関係モデリング能力を実現する。
論文 参考訳（メタデータ） (2023-03-15T09:07:04Z) - MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference,
Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。
103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。
実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
論文 参考訳（メタデータ） (2022-11-14T13:34:49Z) - RAAT: Relation-Augmented Attention Transformer for Relation Modeling in
Document-Level Event Extraction [16.87868728956481]
我々はRelation-augmented Document-level Event extract (ReDEE)と呼ばれる関係依存をモデル化できる新しいDEEフレームワークを提案する。
関連情報をさらに活用するために,個別のイベント関連予測タスクを導入し,マルチタスク学習方式を採用し,イベント抽出性能を明示的に向上する。
論文 参考訳（メタデータ） (2022-06-07T15:11:42Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - Predicting Event Time by Classifying Sub-Level Temporal Relations
Induced from a Unified Representation of Time Anchors [10.67457147373144]
本稿では,複雑な時間関係をサブレベル関係に分解する効果的な方法を提案する。
我々のアプローチは最先端の意思決定ツリーモデルより優れている。
論文 参考訳（メタデータ） (2020-08-14T16:30:07Z)
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。