論文の概要: A Multi-Domain and Multi-Task Generative Framework with Explicit Task and Domain Conditioning for Cross-Domain Event Extraction

• arxiv url: http://arxiv.org/abs/2608.23235v1
• Date: Mon, 24 Aug 2026 13:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.118074
• Title: A Multi-Domain and Multi-Task Generative Framework with Explicit Task and Domain Conditioning for Cross-Domain Event Extraction
• Title（参考訳）: クロスドメインイベント抽出のための明示的タスクとドメイン条件付きマルチドメイン・マルチタスク生成フレームワーク
• Abstract要約: イベント抽出は、イベントトリガを特定し、イベントタイプを分類し、構造化されたイベント表現を構築するために引数を抽出することを目的としている。 単一モデル内で異種イベントスキーマをモデル化する統合型マルチドメイン・マルチタスクトレーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.169293754839175
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Event extraction aims to identify event triggers, classify event types, and extract arguments to construct structured event representations. Despite strong in-domain performance, developing models that generalize robustly across domains remains challenging due to variations in contextual expressions and event schemas. Prior unified and multi-task approaches improve in-domain accuracy but exhibit limited flexibility when applied to unseen domains. Even large language model-based methods that provide full event ontologies at inference time often underperform compared to smaller, task-specific fine-tuned models. We propose a unified multi-domain and multi-task training framework that models heterogeneous event schemas within a single model. Our approach introduces domain conditioning signals, jointly with task-specific prompts, enabling dynamic adaptation to dataset-specific schemas without requiring complete event label sets at inference time. The framework supports both pipeline and end-to-end extraction settings, facilitating efficient task- and domain-level transfer. Experiments on diverse event extraction benchmarks demonstrate that our method achieves competitive performance, strong cross-domain generalization, and practical scalability, while preserving domain-specific precision.
• Abstract（参考訳）: イベント抽出は、イベントトリガを特定し、イベントタイプを分類し、構造化されたイベント表現を構築するために引数を抽出することを目的としている。 ドメイン内のパフォーマンスは高いが、コンテキスト表現やイベントスキーマのバリエーションのため、ドメインをまたいで堅牢に一般化するモデルの開発は依然として困難である。 以前の統合およびマルチタスクアプローチでは、ドメイン内の精度は向上するが、目に見えないドメインに適用した場合の柔軟性は制限される。 推論時に完全なイベントオントロジーを提供する大きな言語モデルベースのメソッドでさえ、小さなタスク固有の微調整モデルに比べてパフォーマンスが劣ることが多い。 単一モデル内で異種イベントスキーマをモデル化する統合型マルチドメイン・マルチタスクトレーニングフレームワークを提案する。 提案手法では,タスク固有のプロンプトと協調してドメイン条件信号を導入し,推論時に完全なイベントラベルセットを必要とせず,データセット固有のスキーマへの動的適応を可能にする。 このフレームワークはパイプラインとエンドツーエンドの抽出設定の両方をサポートし、効率的なタスクレベルとドメインレベルの転送を容易にする。 各種イベント抽出ベンチマーク実験により,本手法はドメイン固有の精度を保ちながら,競争性能,クロスドメインの一般化,実用的なスケーラビリティを実現することを示す。

関連論文リスト

• A Scalable Cross-Domain Event Extraction System via a Unified Generative Training Framework [3.816538153840492]
  本稿では,イベント抽出サブタスクを協調的に行う統合生成シーケンス・ツー・シーケンス・フレームワークを提案する。 さまざまなドメインにわたる複数のイベントデータセット上で、事前トレーニングされた言語モデルを微調整します。 研究者や実践者向けにカスタマイズされたWebベースのアプリケーションを通じて、これらの機能を実証する。
  論文  参考訳（メタデータ） (2026-08-24T13:51:03Z)
• A Multimodal Text- and Graph-Based Approach for Open-Domain Event Extraction from Documents [0.0]
  オープンドメインイベント抽出のための新しいアプローチであるMODEEを提案する。 グラフベースの学習とLLMからのテキストベースの表現を組み合わせて、文書レベルの推論をモデル化する。 大規模なデータセットに対する実証的な評価は、MODEEが最先端のオープンドメインイベント抽出アプローチより優れていることを示している。
  論文  参考訳（メタデータ） (2026-04-23T17:33:44Z)
• Human-in-Context: Unified Cross-Domain 3D Human Motion Modeling via In-Context Learning [64.30639042094548]
  単一プロセスを通じて統合ドメインモデルをトレーニングするための新しい設定を提案する。 最初にPose-in-Context(PiC)を紹介した。これはコンテキスト内学習を活用して、ポーズ中心のクロスドメインモデルを作成する。 そこで我々は、モーダル性、タスク、データセットの一般化を拡大するPiCの拡張であるHuman-in-Context(HiC)を提案する。
  論文  参考訳（メタデータ） (2025-08-14T17:59:23Z)
• Selecting and Merging: Towards Adaptable and Scalable Named Entity Recognition with Large Language Models [5.466962214217334]
  Supervised Fine-tuning (SFT) は、大きな言語モデル(LLM)と、名前付きエンティティ認識(NER)のような情報抽出(IE)タスクの整合に広く用いられている。 推論時に専門家モデルを動的に選択・マージするSaMフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-28T08:28:52Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Unified Language-driven Zero-shot Domain Adaptation [55.64088594551629]
  Unified Language-driven Zero-shot Domain Adaptation (ULDA)は、新しいタスクセットである。 これにより、ドメインIDの知識を明示することなく、単一のモデルを多様なターゲットドメインに適応させることができる。
  論文  参考訳（メタデータ） (2024-04-10T16:44:11Z)
• Prompting Diffusion Representations for Cross-Domain Semantic Segmentation [101.04326113360342]
  拡散事前学習は、セマンティックセグメンテーションのための並外れた領域一般化結果を達成する。 本研究では,シーンプロンプトとプロンプトランダム化戦略を導入し,セグメンテーションヘッドを訓練する際に,ドメイン不変情報をさらに混乱させる。
  論文  参考訳（メタデータ） (2023-07-05T09:28:25Z)
• 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)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented Compositional Semantic Parsing [51.81533991497547]
  タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。 本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。 本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:40:05Z)

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。