論文の概要: Identifying while Learning for Document Event Causality Identification

• arxiv url: http://arxiv.org/abs/2405.20608v1
• Date: Fri, 31 May 2024 03:48:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 15:36:24.118272
• Title: Identifying while Learning for Document Event Causality Identification
• Title（参考訳）: 文書イベント因果同定のための学習中の識別
• Authors: Cheng Liu, Wei Xiang, Bang Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.44453370306568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event Causality Identification (ECI) aims to detect whether there exists a causal relation between two events in a document. Existing studies adopt a kind of identifying after learning paradigm, where events' representations are first learned and then used for the identification. Furthermore, they mainly focus on the causality existence, but ignoring causal direction. In this paper, we take care of the causal direction and propose a new identifying while learning mode for the ECI task. We argue that a few causal relations can be easily identified with high confidence, and the directionality and structure of these identified causalities can be utilized to update events' representations for boosting next round of causality identification. To this end, this paper designs an *iterative learning and identifying framework*: In each iteration, we construct an event causality graph, on which events' causal structure representations are updated for boosting causal identification. Experiments on two public datasets show that our approach outperforms the state-of-the-art algorithms in both evaluations for causality existence identification and direction identification.
• Abstract（参考訳）: 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に、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。 さらに、主に因果関係の存在に焦点を当てるが、因果方向を無視している。 本稿では、因果方向のケアを行い、ECIタスクの学習モードにおける新たな識別法を提案する。 いくつかの因果関係は信頼性が高く容易に識別でき、これらの因果関係の方向性と構造は、次ラウンドの因果関係の特定を促進するためにイベントの表現を更新するために利用することができる。 それぞれのイテレーションにおいて、イベントの因果的構造表現を更新して因果的識別を促進するイベント因果性グラフを構築します。 2つの公開データセットの実験により,本手法は因果的存在同定と方向同定の両方の評価において,最先端のアルゴリズムよりも優れていることが示された。

関連論文リスト

• New Rules for Causal Identification with Background Knowledge [59.733125324672656]
  オープンな問題に対する新たな視点を提供するBKを導入するための2つの新しいルールを提案する。 これらのルールは、観測データによる因果効果のセットを決定するなど、典型的な因果関係のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-21T20:21:21Z)
• Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning [54.69189620971405]
  IEM(Identible Exchangeable Mechanisms)と呼ばれる,表現と構造学習のための統合フレームワークを提供する。 IEMは、交換可能な非i.d.データにおける因果構造同定に必要な条件を緩和する新しい洞察を提供する。 また、認識可能な表現学習における双対性条件の存在を実証し、新たな識別可能性結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-20T13:30:25Z)
• In-context Contrastive Learning for Event Causality Identification [26.132189768472067]
  事象因果同定は、2つの事象間の因果関係の存在を決定することを目的としている。 最近の素早い学習ベースのアプローチは、ECIタスクに有望な改善を示している。 本稿では,コントラスト学習を利用したインコンテキストコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-17T03:32:15Z)
• Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering [30.000134835133522]
  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。
  論文  参考訳（メタデータ） (2024-03-17T07:41:58Z)
• A Unified Causal View of Instruction Tuning [76.1000380429553]
  メタ構造因果モデル(meta-SCM)を開発し、異なるNLPタスクをデータの単一因果構造の下で統合する。 主なアイデアは、タスク要求因果関係を学習し、タスクの予測にのみそれらを使用することである。
  論文  参考訳（メタデータ） (2024-02-09T07:12:56Z)
• 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)
• 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)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• 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)

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。