Fugu-MT 論文翻訳(概要): Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering

論文の概要: Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering

arxiv url: http://arxiv.org/abs/2403.11129v1
Date: Sun, 17 Mar 2024 07:41:58 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 18:25:46.453660
Title: Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering
Title（参考訳）: Rationaleによる事象因果同定の強化と構造対応因果質問応答
Authors: Baiyan Zhang, Qin Chen, Jie Zhou, Jian Jin, Liang He,
Abstract要約: 事象因果同定(DECI)は、文書中の2つの事象間の因果関係を特定することを目的としている。近年の研究では、事前訓練された言語モデルを用いて事象因果関係を生成する傾向にある。本稿では,合理的かつ構造を考慮した因果的質問応答による事象因果同定を強化するためのマルチタスク学習フレームワークを提案する。
参考スコア（独自算出の注目度）: 30.000134835133522
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Document-level Event Causality Identification (DECI) aims to identify causal relations between two events in documents. Recent research tends to use pre-trained language models to generate the event causal relations. Whereas, these methods are prone to the errors of sequential generation due to multiple events in a document. Moreover, the potential structures such as event coreference and related causal chain are neglected. In this paper, we propose a multi-task learning framework to enhance event causality identification with rationale and structure-aware causal question answering. Specifically, the DECI task is transformed into multiple-choice question answering, and the causes and effects of the questioned event are generated with large language models. In addition, we generate the rationales to explain why these events have causal relations. Moreover, we construct an event structure graph, which models the multi-hop potential relations for causal reasoning of the current event. Experiments on two benchmark datasets show the great advantages of our proposed approach compared to the state-of-the-art methods. Moreover, we conduct both quantitative and qualitative analyses, which shed light on why each component of our approach can lead to great improvements.
Abstract（参考訳）: 文書レベルの事象因果同定(DECI)は、文書内の2つの事象間の因果関係を特定することを目的としている。近年の研究では、事前訓練された言語モデルを用いて事象因果関係を生成する傾向にある。しかし、これらの手法は、文書内の複数のイベントによるシーケンシャルな生成の誤りを招きやすい。さらに、事象のコア参照や関連する因果連鎖といった潜在的な構造は無視される。本稿では,イベント因果同定を合理的かつ構造対応型因果質問応答を用いて強化するマルチタスク学習フレームワークを提案する。具体的には、DECタスクを複数選択質問応答に変換し、質問されたイベントの原因と影響を大きな言語モデルで生成する。さらに、これらの事象がなぜ因果関係を持つのかを説明する根拠も生成する。さらに,現在の事象の因果推論のマルチホップポテンシャル関係をモデル化したイベント構造グラフを構築した。 2つのベンチマークデータセットの実験は、最先端の手法と比較して提案手法の大きな利点を示している。さらに、定量分析と定性解析の両方を行い、なぜアプローチの各コンポーネントが大きな改善をもたらすのかを明らかにした。

関連論文リスト

Identifying while Learning for Document Event Causality Identification [19.44453370306568]
事象因果同定(ECI)は、文書に2つの事象の間に因果関係が存在するかどうかを検出することを目的としている。既存の研究では、学習パラダイムの後、イベントの表現が最初に学習され、その識別に使用される、ある種の識別が採用されている。我々は、因果方向のケアを行い、ECIタスクの学習モードにおいて、新たな識別法を提案する。
論文参考訳（メタデータ） (2024-05-31T03:48:00Z)
EVIT: Event-Oriented Instruction Tuning for Event Reasoning [18.012724531672813]
イベント推論は、特定の関係に従ってイベントを推論し、将来のイベントを予測することを目的としている。大規模言語モデル(LLM)は、その豊富な知識と推論能力のために、イベント推論において大きな進歩を遂げている。しかし、現在使われている命令調整モデルでは、これらのタスクを管理するのに例外的な習熟度が一貫して示されていない。
論文参考訳（メタデータ） (2024-04-18T08:14:53Z)
Complex Reasoning over Logical Queries on Commonsense Knowledge Graphs [61.796960984541464]
論理クエリをサンプリングして作成した新しいデータセットであるCOM2(COMplex COMmonsense)を提示する。我々は、手書きのルールと大きな言語モデルを用いて、複数の選択とテキスト生成の質問に言語化します。 COM2でトレーニングされた言語モデルでは、複雑な推論能力が大幅に改善されている。
論文参考訳（メタデータ） (2024-03-12T08:13:52Z)
CRAB: Assessing the Strength of Causal Relationships Between Real-world Events [20.74723427835013]
実世界の物語における出来事の因果的理解を評価するための新しい因果推論評価ベンチマークであるCRABを提案する。いくつかの大規模言語モデルの性能を計測し、ほとんどのシステムがそのタスクにおいて性能が劣っていることを示す。古典的因果関係の原理により、CRABにおける事象群の因果構造を解析し、複雑な因果構造からイベントが導出される場合、モデルが因果推論に悪影響を及ぼすことを見出した。
論文参考訳（メタデータ） (2023-11-07T19:00:44Z)
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)
Getting Sick After Seeing a Doctor? Diagnosing and Mitigating Knowledge Conflicts in Event Temporal Reasoning [87.92209048521153]
出来事の時間的推論は、物語から2つ以上の出来事の間の時間的関係を特定することを目的としている。知識の衝突は、コンテキスト内の事象の実際の時間的関係と、モデルによって学習された事前の知識やバイアスとの間にミスマッチがあるときに起こる。
論文参考訳（メタデータ） (2023-05-24T10:04:06Z)
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)
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)
ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer for Event-Centric Generation and Classification [74.6318379374801]
本稿では,イベント中心推論のための一般相関対応コンテキスト・イベント変換器(ClarET)の事前学習を提案する。提案されたClarETは、幅広いイベント中心の推論シナリオに適用できる。
論文参考訳（メタデータ） (2022-03-04T10:11:15Z)
Improving Event Causality Identification via Self-Supervised Representation Learning on External Causal Statement [17.77752074834281]
イベント因果同定に外部因果文を活用するCauSeRLを提案する。まず、外部因果文から文脈固有の因果パターンを学習するための自己教師型フレームワークを設計する。我々は、学習した文脈固有の因果パターンを対象のECIモデルに組み込むために、コントラッシブトランスファー戦略を採用する。
論文参考訳（メタデータ） (2021-06-03T07:50:50Z)
Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis [62.44432226563088]
因果推論は変数間の因果関係を捉えるプロセスである。本論文では,事実記述から因果グラフを構築するための新たなグラフベース因果推論フレームワークを提案する。 GCIに含まれる因果知識を強力なニューラルネットワークに効果的に注入することで、パフォーマンスと解釈性が向上します。
論文参考訳（メタデータ） (2021-04-19T16:13:10Z)

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。