論文の概要: Multi-Label Classification for Implicit Discourse Relation Recognition

• arxiv url: http://arxiv.org/abs/2406.04461v1
• Date: Thu, 6 Jun 2024 19:37:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 18:17:07.892576
• Title: Multi-Label Classification for Implicit Discourse Relation Recognition
• Title（参考訳）: インシシットな談話関係認識のためのマルチラベル分類
• Authors: Wanqiu Long, N. Siddharth, Bonnie Webber,
• Abstract要約: 暗黙的な談話関係認識のための多言語分類フレームワークについて検討する。 本研究では,複数ラベルの分類手法が単一ラベルの予測性能を低下させないことを示す。
• 参考スコア（独自算出の注目度）: 10.280148603465697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discourse relations play a pivotal role in establishing coherence within textual content, uniting sentences and clauses into a cohesive narrative. The Penn Discourse Treebank (PDTB) stands as one of the most extensively utilized datasets in this domain. In PDTB-3, the annotators can assign multiple labels to an example, when they believe that multiple relations are present. Prior research in discourse relation recognition has treated these instances as separate examples during training, and only one example needs to have its label predicted correctly for the instance to be judged as correct. However, this approach is inadequate, as it fails to account for the interdependence of labels in real-world contexts and to distinguish between cases where only one sense relation holds and cases where multiple relations hold simultaneously. In our work, we address this challenge by exploring various multi-label classification frameworks to handle implicit discourse relation recognition. We show that multi-label classification methods don't depress performance for single-label prediction. Additionally, we give comprehensive analysis of results and data. Our work contributes to advancing the understanding and application of discourse relations and provide a foundation for the future study
• Abstract（参考訳）: 談話関係は、文章の内容の中に一貫性を確立する上で重要な役割を担い、文や節を結束的な物語にまとめる。 ペン・ディスコース・ツリーバンク(PDTB)は、この領域で最も広く利用されているデータセットの1つである。 PDTB-3では、アノテータは複数の関係が存在すると信じている場合、複数のラベルを例に割り当てることができる。 談話関係認識の先行研究は、これらの事例をトレーニング中に別の例として扱い、その事例が正しいと判断されるためには、ラベルを正しく予測する必要がある唯一の例である。 しかし、実世界の文脈におけるラベルの相互依存を考慮せず、一つの意味関係しか持たない場合と複数の関係が同時に持つ場合とを区別できないため、このアプローチは不十分である。 本研究は,暗黙的な対話関係認識を扱うための多言語分類フレームワークを探索することによって,この問題に対処する。 本研究では,複数ラベルの分類手法が単一ラベルの予測性能を低下させないことを示す。 さらに、結果とデータの包括的分析も行います。 我々の研究は、談話関係の理解と適用の促進に寄与し、今後の研究の基盤を提供する。

関連論文リスト

• What Causes the Failure of Explicit to Implicit Discourse Relation Recognition? [14.021169977926265]
  このような障害の1つの原因は、接続が削除された後のラベルシフトであることを示す。 いくつかの明示的なインスタンスによって表現される談話関係は、接続が消えると変化する。 ラベルシフトを軽減するための2つの戦略について検討する。
  論文  参考訳（メタデータ） (2024-04-01T09:08:53Z)
• Automatic Alignment of Discourse Relations of Different Discourse Annotation Frameworks [5.439020425819001]
  分類作業中にラベル埋め込みを学習するための完全自動アプローチを導入する。 これらの埋め込みは、異なるフレームワークの談話関係をマッピングするために使われる。
  論文  参考訳（メタデータ） (2024-03-29T14:18:26Z)
• Multiple Relations Classification using Imbalanced Predictions Adaptation [0.0]
  関係分類タスクは、対象物と対象物のペアに適切な意味関係を割り当てる。 現在の関係分類モデルは、1つの文で複数の関係を識別する追加の手順を用いる。 本稿では,これらの課題に対処する複数の関係分類モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-24T18:36:22Z)
• 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)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• None Class Ranking Loss for Document-Level Relation Extraction [22.173080823450498]
  文書レベルの関係抽出(RE)は、複数の文にまたがって表現されるエンティティ間の関係を抽出することを目的としている。 典型的な文書では、ほとんどのエンティティペアは事前定義された関係を表現せず、"noone"あるいは"no relation"とラベル付けされている。
  論文  参考訳（メタデータ） (2022-05-01T14:24:37Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
  State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2020-10-11T14:42:18Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)

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。