論文の概要: End-to-End Argument Mining as Augmented Natural Language Generation

• arxiv url: http://arxiv.org/abs/2406.08606v1
• Date: Wed, 12 Jun 2024 19:22:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 22:17:23.714924
• Title: End-to-End Argument Mining as Augmented Natural Language Generation
• Title（参考訳）: 拡張自然言語生成としてのエンド・ツー・エンド引数マイニング
• Authors: Nilmadhab Das, Vishal Choudhary, V. Vijaya Saradhi, Ashish Anand,
• Abstract要約: 本研究は,議論構造をラベル付きテキストにフレーム化した生成パラダイムに基づく,統一的なエンドツーエンドフレームワークを提案する。 マーカーに基づく微調整戦略を多用し、マーカー知識を生成モデルに組み込むことにより、広範囲にわたる研究を行う。 提案するフレームワークは,最先端(SoTA)モデルに対する競合的な結果を達成し,いくつかのベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 0.8213829427624407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Argument Mining (AM) is a crucial aspect of computational argumentation, which deals with the identification and extraction of Argumentative Components (ACs) and their corresponding Argumentative Relations (ARs). Most prior works have solved these problems by dividing them into multiple subtasks. And the available end-to-end setups are mostly based on the dependency parsing approach. This work proposes a unified end-to-end framework based on a generative paradigm, in which the argumentative structures are framed into label-augmented text, called Augmented Natural Language (ANL). Additionally, we explore the role of different types of markers in solving AM tasks. Through different marker-based fine-tuning strategies, we present an extensive study by integrating marker knowledge into our generative model. The proposed framework achieves competitive results to the state-of-the-art (SoTA) model and outperforms several baselines.
• Abstract（参考訳）: Argument Mining(AM)は、Argumentative Components(AC)とそれに対応するArgumentative Relations(AR)の識別と抽出を扱う、計算議論の重要な側面である。 多くの先行研究はこれらの問題を複数のサブタスクに分割することで解決した。 そして、利用可能なエンドツーエンドのセットアップは、おもに依存性解析のアプローチに基づいている。 本研究は,Augmented Natural Language (ANL) と呼ばれるラベル付きテキストに議論構造をフレーム化する生成パラダイムに基づく,統一的なエンドツーエンドフレームワークを提案する。 さらに、AMタスクの解決において、さまざまな種類のマーカーが果たす役割についても検討する。 マーカーに基づく微調整戦略を多用し、マーカー知識を生成モデルに組み込むことにより、広範囲にわたる研究を行う。 提案するフレームワークは,最先端(SoTA)モデルに対する競合的な結果を達成し,いくつかのベースラインを上回ります。

関連論文リスト

• Can Large Language Models perform Relation-based Argument Mining? [15.362683263839772]
  引数マイニング(Argument mining、AM)は、テキストから引数、それらのコンポーネント、および/またはコンポーネント間の関係を自動的に抽出するプロセスである。 関係ベースAM(Relation-based AM、RbAM)は、議論における合意(サポート)と不一致(アタック)の関係の特定に焦点を当てたAMの一形態である。 汎用大規模言語モデル (LLM) は, 適切な素数化, 誘導によって, 最高の性能(RoBERTaベース) のベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-02-17T10:37:51Z)
• Argue with Me Tersely: Towards Sentence-Level Counter-Argument Generation [62.069374456021016]
  本稿では,文レベル逆問題生成のためのArgTerselyベンチマークを提案する。 また,Arg-LlaMAによる高品質な逆問題生成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-21T06:51:34Z)
• Sentiment Analysis through LLM Negotiations [58.67939611291001]
  感情分析の標準的なパラダイムは、単一のLCMに依存して、その決定を1ラウンドで行うことである。 本稿では,感情分析のためのマルチLLMネゴシエーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-03T12:35:29Z)
• AMERICANO: Argument Generation with Discourse-driven Decomposition and Agent Interaction [25.38899822861742]
  議論生成のためのエージェントインタラクションを備えた新しいフレームワークであるAmericanoを提案する。 提案手法は,進化過程を議論理論に基づく逐次的行動に分解する。 提案手法は,エンド・ツー・エンドとチェーン・オブ・ワンド・プロンプトの両手法より優れている。
  論文  参考訳（メタデータ） (2023-10-31T10:47:33Z)
• InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models [9.611864685207056]
  本稿では,識別的枠組みから大規模言語モデル(LLM)に基づく生成的枠組みへ,感情認識タスクを再構築するための新しいアプローチであるインストラクタCを提案する。 InstructERCは、3つの重要な貢献をしている:(1)モデルがマルチグラニュラリティ対話監視情報を明示的に統合するのに役立つ単純で効果的なテンプレートモジュール、(2)話者識別と感情予測タスクという2つの追加の感情アライメントタスクを導入し、会話における対話の役割の関係と将来の感情傾向を暗黙的にモデル化する。
  論文  参考訳（メタデータ） (2023-09-21T09:22:07Z)
• Towards End-to-End Open Conversational Machine Reading [57.18251784418258]
  オープン検索型会話機械読解(OR-CMR)タスクでは,機械は対話履歴とテキスト知識ベースに応答するマルチターン質問を行う必要がある。 OR-CMRを完全エンドツーエンドで統一されたテキスト・ツー・テキスト・タスクとしてモデル化し、ShARCおよびOR-ShARCデータセットを用いた実験により、提案したエンドツーエンド・フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-13T15:50:44Z)
• A Formalisation of Abstract Argumentation in Higher-Order Logic [77.34726150561087]
  本稿では,古典的高階論理へのエンコーディングに基づく抽象的議論フレームワークの表現手法を提案する。 対話型および自動推論ツールを用いた抽象的議論フレームワークのコンピュータ支援評価のための一様フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-10-18T10:45:59Z)
• Exploring Discourse Structures for Argument Impact Classification [48.909640432326654]
  本稿では、文脈経路に沿った2つの議論間の談話関係が、議論の説得力を特定する上で不可欠な要素であることを実証的に示す。 本研究では,文レベルの構造情報を大規模言語モデルから派生した文脈的特徴に注入・融合するDisCOCを提案する。
  論文  参考訳（メタデータ） (2021-06-02T06:49:19Z)
• Aspect-Based Argument Mining [2.3148470932285665]
  Aspect-Based Argument Mining (ABAM) の課題として,Aspect Term extract (ATE) と Nested Term extract (NS) の基本的なサブタスクについて述べる。 私たちはアスペクトをメインポイント(s)引数ユニットが対処していると見なしています。 この情報は、議論のランク付け、議論の要約、生成などの下流タスクや、アスペクトレベルの逆問題探索に重要である。
  論文  参考訳（メタデータ） (2020-11-01T21:57:51Z)
• Learning Robust State Abstractions for Hidden-Parameter Block MDPs [55.31018404591743]
  我々は、ブロックMDPにインスパイアされた堅牢な状態抽象化を実現するために、HiP-MDP設定からの共通構造の概念を活用する。 マルチタスク強化学習 (MTRL) とメタ強化学習 (Meta-RL) の両方のための新しいフレームワークのインスタンス化を導出する。
  論文  参考訳（メタデータ） (2020-07-14T17:25:27Z)

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。