論文の概要: EventFull: Complete and Consistent Event Relation Annotation

• arxiv url: http://arxiv.org/abs/2412.12733v1
• Date: Tue, 17 Dec 2024 09:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:59:30.851050
• Title: EventFull: Complete and Consistent Event Relation Annotation
• Title（参考訳）: EventFull: 完全かつ一貫性のあるイベント関係アノテーション
• Authors: Alon Eirew, Eviatar Nachshoni, Aviv Slobodkin, Ido Dagan,
• Abstract要約: textitEventFullは、時間、因果、およびコア参照関係の一貫性、完全、効率的なアノテーションをサポートするツールである。 パイロットスタディでは、EventFullがアノテーションプロセスのアクセラレーションと単純化を行い、アノテーション間のアノテータ間の合意が高くなることを示した。
• 参考スコア（独自算出の注目度）: 16.089136332919487
• License:
• Abstract: Event relation detection is a fundamental NLP task, leveraged in many downstream applications, whose modeling requires datasets annotated with event relations of various types. However, systematic and complete annotation of these relations is costly and challenging, due to the quadratic number of event pairs that need to be considered. Consequently, many current event relation datasets lack systematicity and completeness. In response, we introduce \textit{EventFull}, the first tool that supports consistent, complete and efficient annotation of temporal, causal and coreference relations via a unified and synergetic process. A pilot study demonstrates that EventFull accelerates and simplifies the annotation process while yielding high inter-annotator agreement.
• Abstract（参考訳）: イベントリレーション検出は、多くのダウンストリームアプリケーションで活用される基本的なNLPタスクであり、さまざまなタイプのイベントリレーションにアノテートされたデータセットを必要とする。 しかし、これらの関係の体系的かつ完全なアノテーションは、考慮すべき事象対の二次的な数のため、費用がかかり難い。 その結果、現在のイベント関連データセットの多くは、体系性と完全性に欠けています。 このツールでは、統一的で相乗的なプロセスを通じて、時間的、因果的、およびコア参照関係の一貫性のある、完全かつ効率的なアノテーションをサポートする。 パイロットスタディでは、EventFullがアノテーションプロセスのアクセラレーションと単純化を行い、アノテーション間のアノテータ間の合意が高くなることを示した。

関連論文リスト

• Beyond Pairwise: Global Zero-shot Temporal Graph Generation [18.054145230023884]
  時間関係抽出(TRE)は自然言語処理(NLP)の基本課題である 本稿では,文書の完全時間グラフを同時に生成するTREのゼロショット手法を提案する。 また、ドキュメント内のターゲットイベントのすべてのペアに対する完全なアノテーションを備えた新しいデータセットであるOmniTempも導入しています。
  論文  参考訳（メタデータ） (2025-02-16T13:06:50Z)
• MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
  MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。 EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
  論文  参考訳（メタデータ） (2023-11-15T16:52:14Z)
• Token-Event-Role Structure-based Multi-Channel Document-Level Event Extraction [15.02043375212839]
  本稿では,トークン・イベント・ロールと呼ばれる新しいデータ構造を取り入れた,文書レベルのイベント抽出のための新しいフレームワークを提案する。 提案したデータ構造により,複数のイベントにおけるトークンの主要な役割を明らかにすることができ,イベント関係のより包括的な理解が容易になる。 その結果,本手法はF1スコアの9.5ポイント向上した。
  論文  参考訳（メタデータ） (2023-06-30T15:22:57Z)
• 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)
• Zero-Shot On-the-Fly Event Schema Induction [61.91468909200566]
  本稿では,大規模な言語モデルを用いて,高レベルなイベント定義,特定のイベント,引数,それらの関係を予測・付与するソースドキュメントを生成する手法を提案する。 我々のモデルを用いて、任意のトピックに関する完全なスキーマを、手動のデータ収集、すなわちゼロショットの方法で、オンザフライで生成することができる。
  論文  参考訳（メタデータ） (2022-10-12T14:37:00Z)
• 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)
• EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction [52.43978926985928]
  本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。 WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
  論文  参考訳（メタデータ） (2022-05-30T04:33:51Z)
• Document-level Event Extraction with Efficient End-to-end Learning of Cross-event Dependencies [37.96254956540803]
  本稿では,構造化予測アルゴリズムであるDeep Value Networks (DVN) を利用したエンドツーエンドモデルを提案する。 提案手法はACE05上でのCRFモデルに匹敵する性能を達成し,計算効率は極めて高い。
  論文  参考訳（メタデータ） (2020-10-24T05:28:16Z)
• Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
  本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。 具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。 我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
  論文  参考訳（メタデータ） (2020-10-13T22:45:28Z)

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。