論文の概要: Looking for the Bottleneck in Fine-grained Temporal Relation Classification

• arxiv url: http://arxiv.org/abs/2604.24620v1
• Date: Mon, 27 Apr 2026 15:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.128032
• Title: Looking for the Bottleneck in Fine-grained Temporal Relation Classification
• Title（参考訳）: 細粒度時間関係分類におけるボトルネックの探索
• Authors: Hugo Sousa, Ricardo Campos, Alípio Jorge,
• Abstract要約: 時間関係分類は、テキスト中の時間的実体のペア間の時間的関係を決定するタスクである。 本研究では,2つの時間間隔で保持できる関係の完全な集合を考慮し,時間的実体間の時間的関係を分類するという,より広い目標を再考する。 提案手法であるInterval from Pointは、まず時間的実体の終点間の点関係を分類し、これらの点関係を区間関係に復号する。
• 参考スコア（独自算出の注目度）: 4.892480870964159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal relation classification is the task of determining the temporal relation between pairs of temporal entities in a text. Despite recent advancements in natural language processing, temporal relation classification remains a considerable challenge. Early attempts framed this task using a comprehensive set of temporal relations between events and temporal expressions. However, due to the task complexity, datasets have been progressively simplified, leading recent approaches to focus on the relations between event pairs and to use only a subset of relations. In this work, we revisit the broader goal of classifying interval relations between temporal entities by considering the full set of relations that can hold between two time intervals. The proposed approach, Interval from Point, involves first classifying the point relations between the endpoints of the temporal entities and then decoding these point relations into an interval relation. Evaluation on the TempEval-3 dataset shows that this approach can yield effective results, achieving a temporal awareness score of $70.1$ percent, a new state-of-the-art on this benchmark.
• Abstract（参考訳）: 時間関係分類は、テキスト中の時間的実体のペア間の時間的関係を決定するタスクである。 近年の自然言語処理の進歩にもかかわらず、時間的関係分類は依然として大きな課題である。 初期の試みでは、イベントと時間的表現の包括的な時間的関係を用いて、このタスクをフレーム化した。 しかし、タスクの複雑さのため、データセットは徐々に単純化され、最近のアプローチでは、イベントペア間の関係に集中し、関係のサブセットだけを使用するようにしている。 本研究では,2つの時間間隔で保持できる関係の完全な集合を考慮し,時間的実体間の区間関係を分類するという,より広い目標を再考する。 提案手法であるInterval from Pointは、まず時間的実体の終点間の点関係を分類し、これらの点関係を区間関係に復号する。 TempEval-3データセットの評価は、このアプローチが効果的な結果をもたらすことを示し、このベンチマークの新たな最先端である時間認識スコアが70.1$%に達したことを示している。

関連論文リスト

• The Devil is in the Spurious Correlations: Boosting Moment Retrieval with Dynamic Learning [49.40254251698784]
  本稿では,モーメント検索のための動的学習手法を提案する。 まず、クエリーモーメントの動的コンテキストを構築するための新しいビデオ合成手法を提案する。 第2に、背景との過度な関連を緩和するために、テキストと力学の相互作用を組み込むことで、時間的に表現を強化する。
  論文  参考訳（メタデータ） (2025-01-13T13:13:06Z)
• TIMELINE: Exhaustive Annotation of Temporal Relations Supporting the Automatic Ordering of Events in News Articles [4.314956204483074]
  本稿では,どの時間的関係にアノテートすべきかに基づいて,その基準を明確に定義する新たなアノテーション手法を提案する。 また、プロセスを自動化する時間的関係(長距離関係を含む)に注釈を付ける方法も提案する。 その結果、新しいデータセットであるTIMELINEコーパスが得られ、アノテーション間の合意が改善された。
  論文  参考訳（メタデータ） (2023-10-26T22:23:38Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• 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)
• 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)
• Self-Supervised Time Series Representation Learning by Inter-Intra Relational Reasoning [18.72937677485634]
  本稿では,汎用的な自己教師型時系列表現学習フレームワークであるSelfTimeを紹介する。 本研究では,時系列のサンプル間関係と時間内関係を探索し,ラベルなし時系列の基盤となる構造特徴を学習する。 時系列の有用な表現は、関係推論ヘッドの監督の下、バックボーンから抽出される。
  論文  参考訳（メタデータ） (2020-11-27T04:04:17Z)
• 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。