論文の概要: Argument-Centric Causal Intervention Method for Mitigating Bias in Cross-Document Event Coreference Resolution

• arxiv url: http://arxiv.org/abs/2506.01488v1
• Date: Mon, 02 Jun 2025 09:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.181225
• Title: Argument-Centric Causal Intervention Method for Mitigating Bias in Cross-Document Event Coreference Resolution
• Title（参考訳）: クロスドキュメントイベント参照解決におけるバイアスの緩和のための疑似中心因果干渉法
• Authors: Long Yao, Wenzhong Yang, Yabo Yin, Fuyuan Wei, Hongzhen Lv, Jiaren Peng, Liejun Wang, Xiaoming Tao,
• Abstract要約: クロスドキュメントイベント参照解決(CD-ECR)は、複数のドキュメントにまたがるイベントの言及が、同じ実世界の出来事を指すかどうかを判断する。 本稿ではArgument-Centric Causal Intervention(ACCI)に基づく新しい手法を提案する。 ACCIは、引き起こし語摂動の因果的影響を定量化する反ファクト的推論モジュールと、意味論的根拠のある情報に対する高い感度を促進するために、引数認識拡張モジュールを統合する。
• 参考スコア（独自算出の注目度）: 12.185497507437555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-document Event Coreference Resolution (CD-ECR) is a fundamental task in natural language processing (NLP) that seeks to determine whether event mentions across multiple documents refer to the same real-world occurrence. However, current CD-ECR approaches predominantly rely on trigger features within input mention pairs, which induce spurious correlations between surface-level lexical features and coreference relationships, impairing the overall performance of the models. To address this issue, we propose a novel cross-document event coreference resolution method based on Argument-Centric Causal Intervention (ACCI). Specifically, we construct a structural causal graph to uncover confounding dependencies between lexical triggers and coreference labels, and introduce backdoor-adjusted interventions to isolate the true causal effect of argument semantics. To further mitigate spurious correlations, ACCI integrates a counterfactual reasoning module that quantifies the causal influence of trigger word perturbations, and an argument-aware enhancement module to promote greater sensitivity to semantically grounded information. In contrast to prior methods that depend on costly data augmentation or heuristic-based filtering, ACCI enables effective debiasing in a unified end-to-end framework without altering the underlying training procedure. Extensive experiments demonstrate that ACCI achieves CoNLL F1 of 88.4% on ECB+ and 85.2% on GVC, achieving state-of-the-art performance. The implementation and materials are available at https://github.com/era211/ACCI.
• Abstract（参考訳）: クロスドキュメントイベント参照解決(CD-ECR)は、自然言語処理(NLP)における基本的な課題であり、複数のドキュメントにまたがるイベント参照が、同じ実世界の事象を指すかどうかを判断する。 しかし、現在のCD-ECRアプローチは、主に入力参照ペア内のトリガー機能に依存しており、これは、表面レベルの語彙的特徴とコア参照関係の急激な相関を誘発し、モデル全体の性能を損なう。 この問題に対処するために,Argument-Centric Causal Intervention (ACCI) に基づくクロスドキュメントイベントコア参照解決手法を提案する。 具体的には,レキシカルトリガとコア参照ラベルの相互依存性を明らかにするための構造因果グラフを構築し,引数意味論の真の因果効果を分離するために,バックドア調整による介入を導入する。 突発的相関をさらに緩和するため、ACCIは、引き起こし語摂動の因果的影響を定量化する反ファクト的推論モジュールと、引数認識拡張モジュールを統合して、意味的に根拠付けられた情報に対する感度を高める。 コストのかかるデータ拡張やヒューリスティックベースのフィルタリングに依存する従来の手法とは対照的に、ACCIは基礎となるトレーニング手順を変更することなく、統一されたエンドツーエンドフレームワークでの効果的なデバイアス化を可能にする。 大規模な実験により、ACCIはECB+で88.4%、GVCで85.2%のCoNLL F1を達成し、最先端のパフォーマンスを達成した。 実装と資料はhttps://github.com/era211/ACCI.comで入手できる。

関連論文リスト

• AlignRAG: Leveraging Critique Learning for Evidence-Sensitive Retrieval-Augmented Reasoning [61.28113271728859]
  RAGは知識ベースで大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 標準的なRAGパイプラインは、モデル推論が取得した証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 本研究では,RAGをRetrieval-Augmented Reasoningと解釈し,中心的だが未探索な問題であるtextitReasoning Misalignmentを同定する。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Fighting Spurious Correlations in Text Classification via a Causal Learning Perspective [2.7813683000222653]
  本稿では,因果関係へのモデル依存を軽減するために,因果相関ロバスト (CCR) を提案する。 CCRは、逆確率重み付け(IPW)損失関数とともに、反ファクト推論に基づく因果的特徴選択法を統合する。 グループラベルを持たないメソッド間でのCCRの最先端性能を示し、場合によってはグループラベルを利用するモデルと競合する。
  論文  参考訳（メタデータ） (2024-11-01T21:29:07Z)
• A Rationale-centric Counterfactual Data Augmentation Method for Cross-Document Event Coreference Resolution [29.34028569245905]
  構造因果モデル(SCM)を用いたベースラインECRシステムの意思決定過程を定式化する。 LLM-in-the-loop を用いた有理中心の反実データ拡張法を開発した。 提案手法は,3つのクロスドキュメント ECR ベンチマークの最先端性能を実現し,ドメイン外シナリオの堅牢性を実証する。
  論文  参考訳（メタデータ） (2024-04-02T13:15:07Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Causal Document-Grounded Dialogue Pre-training [81.16429056652483]
  百万レベルのDocGD事前学習コーパスを構築するための因果完全データセット構築戦略を提案する。 3つのベンチマークデータセットの実験により、我々の因果前トレーニングは、完全な教師付き、低リソース、少数ショット、ゼロショット設定の下で、かなり、一貫した改善を達成できることが示された。
  論文  参考訳（メタデータ） (2023-05-18T12:39:25Z)
• How to Enhance Causal Discrimination of Utterances: A Case on Affective Reasoning [22.11437627661179]
  本稿では,会話プロセスにテクスティ.i.d.ノイズ項を組み込むことにより,構造因果モデル(SCM)を構築することを提案する。 ディープラーニングの実装を容易にするため,非構造化会話データを扱うためのcognフレームワークを導入し,非可観測ノイズを学習可能な「単純な原因」とみなすオートエンコーダアーキテクチャを採用した。
  論文  参考訳（メタデータ） (2023-05-04T07:45:49Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)

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。