論文の概要: Label Drop for Multi-Aspect Relation Modeling in Universal Information Extraction

• arxiv url: http://arxiv.org/abs/2502.12614v1
• Date: Tue, 18 Feb 2025 07:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:44.743549
• Title: Label Drop for Multi-Aspect Relation Modeling in Universal Information Extraction
• Title（参考訳）: ユニバーサル情報抽出における多視点関係モデリングのためのラベルドロップ
• Authors: Lu Yang, Jiajia Li, En Ci, Lefei Zhang, Zuchao Li, Ping Wang,
• Abstract要約: ユニバーサルインフォメーション抽出(UIE)は、モデル爆発問題に効果的に対処できるため、大きな注目を集めている。 本稿では,多視点関係モデリングとラベルドロップ機構を組み込んだLDNetを提案する。 実験によると、LDNetは9つのタスク、33のデータセットで最先端のシステムよりも優れているか、競争力を発揮する。
• 参考スコア（独自算出の注目度）: 39.820981637594016
• License:
• Abstract: Universal Information Extraction (UIE) has garnered significant attention due to its ability to address model explosion problems effectively. Extractive UIE can achieve strong performance using a relatively small model, making it widely adopted. Extractive UIEs generally rely on task instructions for different tasks, including single-target instructions and multiple-target instructions. Single-target instruction UIE enables the extraction of only one type of relation at a time, limiting its ability to model correlations between relations and thus restricting its capability to extract complex relations. While multiple-target instruction UIE allows for the extraction of multiple relations simultaneously, the inclusion of irrelevant relations introduces decision complexity and impacts extraction accuracy. Therefore, for multi-relation extraction, we propose LDNet, which incorporates multi-aspect relation modeling and a label drop mechanism. By assigning different relations to different levels for understanding and decision-making, we reduce decision confusion. Additionally, the label drop mechanism effectively mitigates the impact of irrelevant relations. Experiments show that LDNet outperforms or achieves competitive performance with state-of-the-art systems on 9 tasks, 33 datasets, in both single-modal and multi-modal, few-shot and zero-shot settings.\footnote{https://github.com/Lu-Yang666/LDNet}
• Abstract（参考訳）: ユニバーサルインフォメーション抽出(UIE)は、モデル爆発問題に効果的に対処できるため、大きな注目を集めている。 抽出UIEは比較的小さなモデルで強力なパフォーマンスを実現し、広く採用されている。 抽出UIEは通常、単一ターゲット命令や複数ターゲット命令など、異なるタスクに対するタスク命令に依存する。 単一ターゲット命令UIEは、一度に1つのタイプの関係のみを抽出し、関係間の相関をモデル化する能力を制限することにより、複雑な関係を抽出する能力を制限する。 マルチターゲット命令UIEは複数の関係の抽出を同時に行うことができるが、無関係な関係を含むと決定が複雑になり、抽出精度に影響を及ぼす。 そこで我々は,多視点関係モデリングとラベルドロップ機構を組み込んだLDNetを提案する。 理解と意思決定のレベルで異なる関係を割り当てることで、意思決定の混乱を減らします。 さらに、ラベルドロップ機構は、無関係な関係の影響を効果的に軽減する。 実験の結果、LDNetは9つのタスク、33のデータセット、シングルモーダル、マルチモーダル、少数ショット、ゼロショット設定において、最先端のシステムよりも優れているか、あるいは性能が向上していることがわかった。 \footnote{https://github.com/Lu-Yang666/LDNet}

関連論文リスト

• Optimal Transport Guided Correlation Assignment for Multimodal Entity Linking [20.60198596317328]
  マルチモーダルエンティティリンクは、マルチモーダルなコンテキストにおける曖昧な言及をマルチモーダルな知識グラフ内のエンティティにリンクすることを目的としている。 既存の手法は、自動的に学習された注意重みに大きく依存して、いくつかの局所的な相関機構を試行する。 本稿では,OT-MELを用いた新しいMELフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [95.49699178874683]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts in Underspecified Visual Tasks [92.32670915472099]
  拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。 拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:37:52Z)
• CARE: Co-Attention Network for Joint Entity and Relation Extraction [0.0]
  本稿では,共同エンティティと関係抽出のためのコ・アテンション・ネットワークを提案する。 提案手法では,サブタスク毎に異なる表現を学習するための並列符号化方式を採用する。 このアプローチのコアとなるのは,2つのサブタスク間の双方向のインタラクションをキャプチャするコアテンションモジュールです。
  論文  参考訳（メタデータ） (2023-08-24T03:40:54Z)
• Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
  マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。 MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
  論文  参考訳（メタデータ） (2023-07-19T02:11:19Z)
• Multimodal Learning Without Labeled Multimodal Data: Guarantees and Applications [90.6849884683226]
  ラベル付き単調データのみを用いた半教師付き環境における相互作用定量化の課題について検討する。 相互作用の正確な情報理論的定義を用いて、我々の重要な貢献は下界と上界の導出である。 本稿では、これらの理論結果を用いてマルチモーダルモデルの性能を推定し、データ収集をガイドし、様々なタスクに対して適切なマルチモーダルモデルを選択する方法について述べる。
  論文  参考訳（メタデータ） (2023-06-07T15:44:53Z)
• Joint Extraction of Entity and Relation with Information Redundancy Elimination [0.0]
  本稿では,冗長な情報の問題と,エンティティと関係抽出モデルの重なり合う関係を解くための共同抽出モデルを提案する。 このモデルは、関係のない情報を生成することなく、複数の関連エンティティを直接抽出することができる。 また、文をモデル化する繰り返しユニットの能力を高めるために、LSTMという名前のリカレント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） (2020-11-27T05:47:26Z)
• A Unified Object Motion and Affinity Model for Online Multi-Object Tracking [127.5229859255719]
  オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。 UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。 我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
  論文  参考訳（メタデータ） (2020-03-25T09:36:43Z)

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。