論文の概要: Event Interaction in Low-Rank Bottlenecks for Temporal Relation Extraction

• arxiv url: http://arxiv.org/abs/2609.06731v1
• Date: Sun, 06 Sep 2026 17:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.299887
• Title: Event Interaction in Low-Rank Bottlenecks for Temporal Relation Extraction
• Title（参考訳）: 時間的関係抽出のための低ランクボトルネックにおけるイベントインタラクション
• Abstract要約: 時間関係抽出は、ある事象が他の事象の前、後、または同時に起こるかどうかを決定する。 本稿では,まず,イベント表現の高度化に軽量な深度畳み込みを適用した理論的基盤を持つアーキテクチャであるConvolutional Bottleneck Interaction (CBI)を提案する。 CBIは、計算コストを最小化しながら、+31.7マイクロF1まで、一貫性と実質的なゲインを提供する。
• 参考スコア（独自算出の注目度）: 38.03753717118107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal relation extraction determines whether an event occurs before, after, or simultaneously with another event, and therefore relies on accurately modeling how the two events interact. Mainstream systems achieve this by concatenating event spans or using shallow fusion, which works well when all model parameters are trainable. However, in parameter-efficient fine-tuning, low-rank bottlenecks restrict information flow and prevent these interaction signals from passing through, leading to clear performance drops. To address this limitation, we propose a theoretically grounded architecture, Convolutional Bottleneck Interaction (CBI), which first applies lightweight depthwise convolution to enhance event representations and then uses element-wise multiplication to capture effective event-event interactions inside the bottleneck. Across five datasets and seven backbone models in the Adapter and LoRA settings, CBI provides consistent and substantial gains, up to +31.7 micro F1, while adding minimal computational cost, showing that explicit interaction inside low-rank spaces is crucial for temporal relation extraction. The code is available at https://github.com/VRCMF/CIF.git.
• Abstract（参考訳）: 時間的関係抽出は、ある事象が前、後、または他の事象と同時に起こるかどうかを判断し、2つの事象がどのように相互作用するかを正確にモデル化する。 メインストリームシステムは、イベントスパンを結合したり、浅い融合を使ったりすることでこれを達成します。 しかし、パラメータ効率の良い微調整では、低ランクのボトルネックが情報の流れを制限し、これらの相互作用信号が通過することを防ぎ、明確な性能低下をもたらす。 この制限に対処するために、まず軽量な深度畳み込みを適用してイベント表現を強化し、次に要素ワイズ乗算を用いてボトルネック内の効果的なイベント-イベント-イベント間相互作用をキャプチャする、理論的に根ざしたアーキテクチャであるConvolutional Bottleneck Interaction (CBI)を提案する。 AdapterとLoRAの設定で5つのデータセットと7つのバックボーンモデルにまたがって、CBIは最大+31.7マイクロF1までの一貫性と実質的なゲインを提供すると同時に、低ランク空間内の明示的な相互作用が時間的関係抽出に不可欠であることを示している。 コードはhttps://github.com/VRCMF/CIF.gitで公開されている。

関連論文リスト

• Following the Flow: Advection-Consistent Modeling for Event-based Small Object Detection [2.925778409623925]
  イベントカメラは、マイクロ秒レイテンシで高周波の視覚知覚を可能にし、ダイナミックシーンの利点を提供する。 しかし,ノイズによって容易に破壊される疎度な非同期測定と弱いオブジェクト応答のため,イベントベースの小さなオブジェクト検出は依然として困難である。 本研究では,運動駆動型特徴輸送プロセスとしてイベント進化を定式化するPACTという物理誘導型対流抵抗型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-21T07:56:34Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Rethinking Event-Based Object Dtection through Representation-Level Temporal Aggregation and Model-Level Hypergraph Reasoning [65.08890312027314]
  イベントカメラはマイクロ秒レベルの時間分解能、低レイテンシ、高ダイナミックレンジを提供する。 Event Dual Temporal-Relational Aggregation Detector (Ev-DTAD)は、表現レベルの時間エンコーディングとモデルレベルの時間-ハイパーグラフ推論を統合する。 Ev-DTADは、コンパクトな時間的表現と時間的ハイパーグラフの特徴的推論の相補性を検証し、競争精度と効率のトレードオフを実現する。
  論文  参考訳（メタデータ） (2026-05-09T09:20:34Z)
• TAMI: Taming Heterogeneity in Temporal Interactions for Temporal Graph Link Prediction [3.8264010687414953]
  時間グラフリンク予測は、その履歴的相互作用に基づいて、グラフ内のノード間の将来の相互作用を予測することを目的としている。 本稿では,ログ時間エンコーディング機能とリンク履歴アグリゲーションという2つの有効なコンポーネントを含む,TAMIと呼ばれ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） (2025-10-23T05:14:58Z)
• Rethinking Efficient and Effective Point-based Networks for Event Camera Classification and Regression: EventMamba [11.400397931501338]
  イベントカメラは生物学的システムからインスピレーションを受け、低レイテンシと高ダイナミックレンジを持ち、最小限の電力を消費する。 Event Cloudの処理に対する現在のアプローチは、フレームベースの表現に変換することが多い。 我々はPoint Cloud表現に基づく効率的かつ効果的なフレームワークであるEventMambaを提案する。
  論文  参考訳（メタデータ） (2024-05-09T21:47:46Z)
• Document-Level Multi-Event Extraction with Event Proxy Nodes and Hausdorff Distance Minimization [31.065768513381414]
  文書レベルのマルチイベント抽出は、所定の文書から構造情報を自動的に抽出することを目的としている。 本稿では,イベントプロキシノードとハウスドルフ距離最小化を用いた文書レベルのマルチイベント抽出手法を提案する。 本モデルでは,F1スコアにおける従来手法よりも,トレーニング時間が少ない2つのデータセットの方が優れていた。
  論文  参考訳（メタデータ） (2023-05-30T10:33:05Z)
• 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)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• Spatio-Temporal Action Detection with Multi-Object Interaction [127.85524354900494]
  本稿では,多目的インタラクションを用いたS時間動作検出問題について検討する。 マルチオブジェクトインタラクションを含むアクションチューブに空間的アノテーションを付加した新しいデータセットを提案する。 本研究では,空間的・時間的回帰を同時に行うエンド・ツー・エンドの時間的行動検出モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-01T00:54:56Z)

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。