論文の概要: Hierarchical Multi-label Classification for Fine-level Event Extraction from Aviation Accident Reports

• arxiv url: http://arxiv.org/abs/2403.17914v1
• Date: Tue, 26 Mar 2024 17:51:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 14:18:09.949594
• Title: Hierarchical Multi-label Classification for Fine-level Event Extraction from Aviation Accident Reports
• Title（参考訳）: 航空事故報告からのファインレベルイベント抽出のための階層型多ラベル分類
• Authors: Xinyu Zhao, Hao Yan, Yongming Liu,
• Abstract要約: この記事では、イベント分類を活用すれば、イベントをより正確に識別できる、と論じる。 本稿では,新しい階層型アテンションモジュールをBERTに組み込むことで,階層型アテンションタスクを実現する。 その結果, 高精度な予測精度が向上し, 正規化期間が希少事象識別問題に有効であることが確認された。
• 参考スコア（独自算出の注目度）: 18.005377921658308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A large volume of accident reports is recorded in the aviation domain, which greatly values improving aviation safety. To better use those reports, we need to understand the most important events or impact factors according to the accident reports. However, the increasing number of accident reports requires large efforts from domain experts to label those reports. In order to make the labeling process more efficient, many researchers have started developing algorithms to identify the underlying events from accident reports automatically. This article argues that we can identify the events more accurately by leveraging the event taxonomy. More specifically, we consider the problem a hierarchical classification task where we first identify the coarse-level information and then predict the fine-level information. We achieve this hierarchical classification process by incorporating a novel hierarchical attention module into BERT. To further utilize the information from event taxonomy, we regularize the proposed model according to the relationship and distribution among labels. The effectiveness of our framework is evaluated with the data collected by National Transportation Safety Board (NTSB). It has been shown that fine-level prediction accuracy is highly improved, and the regularization term can be beneficial to the rare event identification problem.
• Abstract（参考訳）: 多くの事故報告が航空分野に記録されており、航空安全の改善に大きな価値がある。 これらの報告をよりよく活用するには、事故報告によると、最も重要な出来事や影響要因を理解する必要がある。 しかし、事故報告の増加は、これらの報告をラベル付けするためにドメインの専門家による多大な努力を必要としている。 ラベル付けプロセスをより効率的にするために、多くの研究者が事故報告から基礎となる事象を自動的に識別するアルゴリズムを開発し始めている。 この記事では、イベント分類を活用すれば、イベントをより正確に識別できる、と論じる。 より具体的には、この問題を階層的な分類タスクとみなし、まずは粗いレベルの情報を識別し、次に細かなレベルの情報を予測する。 本稿では,新規な階層型アテンションモジュールをBERTに組み込むことにより,階層型分類を実現する。 イベント分類学からの情報をさらに活用するために,ラベル間の関係や分布に応じて提案したモデルを標準化する。 本フレームワークの有効性を,NTSB(National Safety Safety Board)が収集したデータを用いて評価した。 その結果, 高精度な予測精度が向上し, 正規化期間が希少事象識別問題に有効であることが確認された。

関連論文リスト

• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Unsupervised Learning of Distributional Properties can Supplement Human Labeling and Increase Active Learning Efficiency in Anomaly Detection [0.0]
  メールによるデータの流出は、多くの組織にとって深刻なサイバーセキュリティの脅威だ。 Active Learningは、データを効率的にラベル付けするための有望なアプローチである。 稀な異常の事例を含むラベル付けされた事例のバッチを生成するための適応型ALサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-13T22:14:30Z)
• Natural Language Processing of Aviation Occurrence Reports for Safety Management [7.008490462870145]
  本稿では,航空安全発生報告の分析を支援するために,自然言語処理(NLP)手法について検討する。 適切な条件下では、発生レポートのラベル付けを変換器ベースの分類器で効果的に自動化することができる。
  論文  参考訳（メタデータ） (2023-01-13T17:00:09Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• An Ordinal Latent Variable Model of Conflict Intensity [59.49424978353101]
  ゴールドスタインスケール(Goldstein scale)は、紛争・協力的なスケールでイベントをスコアする、広く使われている専門家ベースの尺度である。 本稿では、競合強度を測定するために、潜伏変数に基づくアプローチをとる。
  論文  参考訳（メタデータ） (2022-10-08T08:59:17Z)
• ERGO: Event Relational Graph Transformer for Document-level Event Causality Identification [24.894074201193927]
  イベントレベルのイベント因果同定(DECI)は、文書内のイベントペア間の因果関係を特定することを目的としている。 DeCIのための新しいグラフトランスフォーマー(ERGO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-15T12:12:16Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• Predicting Themes within Complex Unstructured Texts: A Case Study on Safeguarding Reports [66.39150945184683]
  本稿では,教師付き分類手法を用いた保護レポートにおいて,主テーマの自動識別の問題に焦点をあてる。 この結果から,ラベル付きデータに制限のある複雑なタスクであっても,深層学習モデルが対象知識の振る舞いをシミュレートする可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T19:48:23Z)
• ISSAFE: Improving Semantic Segmentation in Accidents by Fusing Event-based Data [34.36975697486129]
  本稿では,事故シナリオにおけるセマンティックセグメンテーションに関する課題を,事故データセットDADA-segとともに提示する。 イベントベースのマルチモーダルセグメンテーションアーキテクチャISSAFEを提案する。 提案手法は, 提案した評価セットに対して+8.2% mIoUの性能向上を達成し, 10以上の最先端セグメンテーション法を克服する。
  論文  参考訳（メタデータ） (2020-08-20T14:03:34Z)
• Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
  弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。 これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。 本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2020-03-02T13:59:41Z)

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。