論文の概要: Only One Relation Possible? Modeling the Ambiguity in Event Temporal Relation Extraction
- arxiv url: http://arxiv.org/abs/2408.07353v1
- Date: Wed, 14 Aug 2024 07:57:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-15 14:04:00.442063
- Title: Only One Relation Possible? Modeling the Ambiguity in Event Temporal Relation Extraction
- Title（参考訳）: 一つの関係のみの可能性 : 事象の時間的関係抽出におけるあいまいさのモデル化
- Authors: Yutong Hu, Quzhe Huang, Yansong Feng,
- Abstract要約: イベント時間関係抽出(ETRE)は、2つのイベント間の時間的関係を特定することを目的としている。
本稿では, ETRE (METRE) の多ラベル分類法を提案する。
本手法は,textitVagueインスタンスを有効利用して,特定の時間関係の認識を改善する。
- 参考スコア（独自算出の注目度）: 30.319025749352246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Event Temporal Relation Extraction (ETRE) aims to identify the temporal relationship between two events, which plays an important role in natural language understanding. Most previous works follow a single-label classification style, classifying an event pair into either a specific temporal relation (e.g., \textit{Before}, \textit{After}), or a special label \textit{Vague} when there may be multiple possible temporal relations between the pair. In our work, instead of directly making predictions on \textit{Vague}, we propose a multi-label classification solution for ETRE (METRE) to infer the possibility of each temporal relation independently, where we treat \textit{Vague} as the cases when there is more than one possible relation between two events. We design a speculation mechanism to explore the possible relations hidden behind \textit{Vague}, which enables the latent information to be used efficiently. Experiments on TB-Dense, MATRES and UDS-T show that our method can effectively utilize the \textit{Vague} instances to improve the recognition for specific temporal relations and outperforms most state-of-the-art methods.
- Abstract（参考訳）: イベント時間関係抽出(ETRE)は、自然言語理解において重要な役割を果たす2つのイベント間の時間的関係を特定することを目的としている。
イベントペアを特定の時間関係(例: g , \textit{Before}, \textit{After})または、ペア間に複数の時間関係が存在する場合の特別なラベル \textit{Vague} のいずれかに分類する。
本研究では, ETRE (METRE) に対して, 直接予測を行う代わりに, 時間的関係の確率を独立に推定するマルチラベル分類法を提案する。
我々は,潜伏情報を効率的に利用するための推測機構を設計し,隠れた関係を探索する。
TB-Dense, MATRES, UDS-Tを用いた実験により,本手法は特定の時間的関係の認識を改善し,最先端の手法よりも優れていることを示す。
関連論文リスト
- 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) - MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference,
Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。
103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。
実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
論文 参考訳（メタデータ） (2022-11-14T13:34:49Z) - Unifying Event Detection and Captioning as Sequence Generation via
Pre-Training [53.613265415703815]
本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。
我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
論文 参考訳（メタデータ） (2022-07-18T14:18:13Z) - RAAT: Relation-Augmented Attention Transformer for Relation Modeling in
Document-Level Event Extraction [16.87868728956481]
我々はRelation-augmented Document-level Event extract (ReDEE)と呼ばれる関係依存をモデル化できる新しいDEEフレームワークを提案する。
関連情報をさらに活用するために,個別のイベント関連予測タスクを導入し,マルチタスク学習方式を採用し,イベント抽出性能を明示的に向上する。
論文 参考訳（メタデータ） (2022-06-07T15:11:42Z) - Dynamic Relation Discovery and Utilization in Multi-Entity Time Series
Forecasting [92.32415130188046]
多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。
本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-18T11:37:04Z) - SERC: Syntactic and Semantic Sequence based Event Relation
Classification [2.922007656878633]
本稿では,時間的特徴と因果的特徴の両方を組み込んで因果関係の分類を行うモデルを提案する。
テキストから2つの事象間の時間的・因果関係を同定するために,テキストの構文構造を用いる。
LSTMを用いた時間的・因果関係分類モデルを提案する。
論文 参考訳（メタデータ） (2021-11-03T14:58:52Z) - Extracting Temporal Event Relation with Syntactic-Guided Temporal Graph
Transformer [17.850316385809617]
1文または2文の連続文から構築した構文グラフから2つのイベント間の接続を明示的に見つけるための新しい時相グラフトランスフォーマーネットワークを提案する。
MATRES と TB-Dense データセットを用いた実験により,本手法は時間的関係抽出と時間的関係分類の両方において,従来の最先端手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2021-04-19T19:00:45Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳（メタデータ） (2020-11-27T06:21:12Z) - 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) - Predicting Event Time by Classifying Sub-Level Temporal Relations
Induced from a Unified Representation of Time Anchors [10.67457147373144]
本稿では,複雑な時間関係をサブレベル関係に分解する効果的な方法を提案する。
我々のアプローチは最先端の意思決定ツリーモデルより優れている。
論文 参考訳（メタデータ） (2020-08-14T16:30:07Z)
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。