論文の概要: Advancing Event Causality Identification via Heuristic Semantic Dependency Inquiry Network

• arxiv url: http://arxiv.org/abs/2409.13621v2
• Date: Wed, 2 Oct 2024 06:14:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 06:19:44.776399
• Title: Advancing Event Causality Identification via Heuristic Semantic Dependency Inquiry Network
• Title（参考訳）: Heuristic Semantic Dependency Inquiry Networkによる事象因果同定の促進
• Authors: Haoran Li, Qiang Gao, Hongmei Wu, Li Huang,
• Abstract要約: 事象因果同定(ECI)は、テキスト中の事象間の因果関係を抽出することに焦点を当てている。 ECIのためのシンプルで効果的なセマンティック依存問い合わせネットワークSemDIを提案する。
• 参考スコア（独自算出の注目度）: 11.726799701525131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event Causality Identification (ECI) focuses on extracting causal relations between events in texts. Existing methods for ECI primarily rely on causal features and external knowledge. However, these approaches fall short in two dimensions: (1) causal features between events in a text often lack explicit clues, and (2) external knowledge may introduce bias, while specific problems require tailored analyses. To address these issues, we propose SemDI - a simple and effective Semantic Dependency Inquiry Network for ECI. SemDI captures semantic dependencies within the context using a unified encoder. Then, it utilizes a Cloze Analyzer to generate a fill-in token based on comprehensive context understanding. Finally, this fill-in token is used to inquire about the causal relation between two events. Extensive experiments demonstrate the effectiveness of SemDI, surpassing state-of-the-art methods on three widely used benchmarks. Code is available at https://github.com/hrlics/SemDI.
• Abstract（参考訳）: 事象因果同定(ECI)は、テキスト中の事象間の因果関係を抽出することに焦点を当てている。 既存のECIの手法は主に因果的特徴と外部知識に依存している。 しかし、これらのアプローチは、(1) テキスト内の事象間の因果的特徴は、しばしば明確な手がかりを欠いている、(2) 外部知識はバイアスをもたらすが、一方、特定の問題は、調整された分析を必要とする。 これらの問題に対処するため、我々は、ECIのためのシンプルで効果的なセマンティック依存問い合わせネットワークSemDIを提案する。 SemDIは統合エンコーダを使用してコンテキスト内のセマンティック依存関係をキャプチャする。 次に、Cloze Analyzerを使用して、包括的なコンテキスト理解に基づいた埋め合わせトークンを生成する。 最後に、このフィリングトークンは、2つのイベント間の因果関係について問い合わせるために使用される。 大規模な実験は、広く使用されている3つのベンチマークに対して、最先端の手法を超越したSemDIの有効性を示す。 コードはhttps://github.com/hrlics/SemDI.comで入手できる。

関連論文リスト

• Double Mixture: Towards Continual Event Detection from Speech [60.33088725100812]
  音声イベント検出は、セマンティックイベントと音響イベントの両方のタグ付けを含むマルチメディア検索に不可欠である。 本稿では, 音声イベント検出における主な課題として, 過去の出来事を忘れることなく新たな事象を連続的に統合すること, 音響イベントからの意味のゆがみについて述べる。 本稿では,適応性を向上し,忘れることを防止するために,音声の専門知識と堅牢な記憶機構を融合する新しい手法「ダブルミキチャー」を提案する。
  論文  参考訳（メタデータ） (2024-04-20T06:32:00Z)
• Complex Reasoning over Logical Queries on Commonsense Knowledge Graphs [61.796960984541464]
  論理クエリをサンプリングして作成した新しいデータセットであるCOM2(COMplex COMmonsense)を提示する。 我々は、手書きのルールと大きな言語モデルを用いて、複数の選択とテキスト生成の質問に言語化します。 COM2でトレーニングされた言語モデルでは、複雑な推論能力が大幅に改善されている。
  論文  参考訳（メタデータ） (2024-03-12T08:13:52Z)
• Semantic Structure Enhanced Event Causality Identification [57.26259734944247]
  事象因果同定(ECI)は、非構造化テキスト中の事象間の因果関係を特定することを目的としている。 既存の方法は、イベント中心構造とイベント関連構造という、ECIタスクに不可欠な2種類の意味構造を過小評価する。
  論文  参考訳（メタデータ） (2023-05-22T07:42:35Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• 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)
• Causal BERT : Language models for causality detection between events expressed in text [1.0756038762528868]
  イベント間の因果関係の理解は、ヘルスケア、ビジネスリスク管理、財務など、多くの分野で役立ちます。 自然言語イベント間の「因果関係」は、暗黙的に表現されることが多いため、単に挑戦を続ける。 提案手法は3つの異なるデータ分布において最先端の性能を達成し,因果図の抽出に利用できる。
  論文  参考訳（メタデータ） (2020-12-10T04:59:12Z)
• Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
  本稿では,OED(Ongoing Event Detection)タスクを紹介する。 目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。 構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
  論文  参考訳（メタデータ） (2020-07-02T20:44:05Z)
• Joint Event Extraction along Shortest Dependency Paths using Graph Convolutional Networks [18.983377030545128]
  イベント抽出は、知識ベース、質問応答、情報検索、要約といったいくつかの領域に有用である。 テキストからイベント情報を抽出する問題は長続きし、通常、精巧に設計された語彙的・構文的特徴に依存している。 本稿では,複数のイベントトリガと引数を同時に抽出することを目的とした,新しいイベント抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-19T07:48:38Z)

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。