論文の概要: Major Entity Identification: A Generalizable Alternative to Coreference Resolution

• arxiv url: http://arxiv.org/abs/2406.14654v1
• Date: Thu, 20 Jun 2024 18:17:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 18:23:10.647453
• Title: Major Entity Identification: A Generalizable Alternative to Coreference Resolution
• Title（参考訳）: 主要なエンティティ識別: 参照解決のための一般化可能な代替手段
• Authors: Kawshik Manikantan, Shubham Toshniwal, Makarand Tapaswi, Vineet Gandhi,
• Abstract要約: 主要なエンティティ識別(MEI)モデルは、複数のデータセット上のドメインにわたってよく一般化される。 MEIはまた、ユーザが特定のエンティティや関心のあるエンティティのグループのすべての言及を検索できるので、実用的な使用法である。
• 参考スコア（独自算出の注目度）: 22.238377215355545
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The limited generalization of coreference resolution (CR) models has been a major bottleneck in the task's broad application. Prior work has identified annotation differences, especially for mention detection, as one of the main reasons for the generalization gap and proposed using additional annotated target domain data. Rather than relying on this additional annotation, we propose an alternative formulation of the CR task, Major Entity Identification (MEI), where we: (a) assume the target entities to be specified in the input, and (b) limit the task to only the frequent entities. Through extensive experiments, we demonstrate that MEI models generalize well across domains on multiple datasets with supervised models and LLM-based few-shot prompting. Additionally, the MEI task fits the classification framework, which enables the use of classification-based metrics that are more robust than the current CR metrics. Finally, MEI is also of practical use as it allows a user to search for all mentions of a particular entity or a group of entities of interest.
• Abstract（参考訳）: CRモデルの限定的な一般化は、タスクの幅広い応用において大きなボトルネックとなっている。 先行研究は、特に言及検出において、一般化ギャップの主な原因の一つとしてアノテーションの違いを特定し、追加の注釈付きターゲットドメインデータを用いて提案した。 この追加アノテーションに頼るのではなく、CRタスクの代替式であるMajor Entity Identification (MEI)を提案する。 a) 入力で指定すべき対象エンティティを仮定し、 b) タスクを頻繁なエンティティのみに制限する。 広範囲な実験を通して、MEIモデルが複数のデータセット上のドメインにまたがって、教師付きモデルとLLMベースの少ショットプロンプトを用いて、適切に一般化されていることを実証した。 さらにMEIタスクは、現在のCRメトリクスよりも堅牢な分類ベースのメトリクスの使用を可能にする、分類フレームワークに適合する。 最後に、MEIは、ユーザが特定のエンティティや関心を持つエンティティのグループのすべての言及を検索できるので、実用的な使用法である。

関連論文リスト

• Domain-Expanded ASTE: Rethinking Generalization in Aspect Sentiment Triplet Extraction [67.54420015049732]
  Aspect Sentiment Triplet extract (ASTE) は感情分析における課題であり、人間の感情に対するきめ細かい洞察を提供することを目的としている。 既存のベンチマークは2つのドメインに限定されており、目に見えないドメイン上でのモデルパフォーマンスを評価しない。 各種ドメインのサンプルに注釈を付けることでドメイン拡張ベンチマークを導入し,ドメイン内設定とドメイン外設定の両方でモデルの評価を可能にする。
  論文  参考訳（メタデータ） (2023-05-23T18:01:49Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• Domain generalization Person Re-identification on Attention-aware multi-operation strategery [8.90472129039969]
  ドメイン一般化者再識別(DG Re-ID)は、ソースドメイン上でトレーニングされたモデルを、十分に一般化された未確認対象ドメインに直接デプロイすることを目的としている。 既存のDG Re-ID法では、不変演算は領域一般化特徴の抽出に有効である。 DG Re-IDのための注意型マルチオペレーティングストラテジ(AMS)を提案し,より一般化された特徴を抽出した。
  論文  参考訳（メタデータ） (2022-10-19T09:18:46Z)
• Label-Efficient Domain Generalization via Collaborative Exploration and Generalization [28.573872986524794]
  本稿では,ラベル制限されたソースドメインを用いたモデル一般化を実現するために,ラベル効率のよいドメイン一般化(LEDG)を提案する。 本稿では,活発な探索と半教師付き一般化を共同で最適化する,共同探索・一般化(CEG)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-07T05:34:50Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Calibrated Feature Decomposition for Generalizable Person Re-Identification [82.64133819313186]
  Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。 キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
  論文  参考訳（メタデータ） (2021-11-27T17:12:43Z)
• Domain-Specific Bias Filtering for Single Labeled Domain Generalization [19.679447374738498]
  ドメインの一般化は、複数のラベル付きソースデータセットを使用して、目に見えないターゲットドメインに対して一般化可能なモデルをトレーニングする。 高価なアノテーションコストのため、すべてのソースデータのラベル付けの要件は、現実世界のアプリケーションでは満たされない。 本稿では,ドメイン固有バイアスをラベル付きソースデータでフィルタするDBF (Domain-Specific Bias Filtering) を提案する。
  論文  参考訳（メタデータ） (2021-10-02T05:08:01Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)
• Learning Domain Invariant Representations for Generalizable Person Re-Identification [71.35292121563491]
  ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。 DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T18:59:48Z)

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。