論文の概要: CLUE: A Contrastive Learning Framework for Unsupervised Event Type Induction and Annotation

• arxiv url: http://arxiv.org/abs/2610.12580v1
• Date: Thu, 08 Oct 2026 18:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.243524
• Title: CLUE: A Contrastive Learning Framework for Unsupervised Event Type Induction and Annotation
• Title（参考訳）: CLUE: 教師なしイベント型誘導とアノテーションのためのコントラスト学習フレームワーク
• Abstract要約: 本稿では、イベントタイプ誘導、命名、アノテーションのためのCLUEフレームワークを提案する。 私たちのコントリビューションには、動詞中心のビューとイベントの意味的なビューの両方を表現するための、新しい結合埋め込み表現が含まれています。
• 参考スコア（独自算出の注目度）: 6.111003817719276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event ontology is the foundational framework for defining events in a dataset. Event type induction generally involves domain experts who define guidelines for creating event types and their names based on the dataset's domain and scope. However, this process is resource-intensive in terms of annotation costs and is prone to human biases. To alleviate the need for manual event ontology creation, we propose the CLUE framework for event type induction, naming, and annotation. Our main contributions in this work are: 1) designing a novel joint embedding representation for expressing both the verb-centric view and the semantic view of events; 2) event type induction using contrastive loss guided clustering; 3) event naming and refinement. Experiments demonstrate the effectiveness of our method. Our code is available at https://github.com/PratikMaitra/CLUE.
• Abstract（参考訳）: イベントオントロジーは、データセットでイベントを定義するための基本的なフレームワークである。 イベントタイプ誘導は通常、データセットのドメインとスコープに基づいて、イベントタイプとその名前を作成するためのガイドラインを定義するドメインエキスパートを伴います。 しかし、このプロセスはアノテーションのコストの観点から資源集約的であり、人間の偏見に起因している。 手動のイベントオントロジー作成の必要性を軽減するため、イベントタイプ誘導、命名、アノテーションのためのCLUEフレームワークを提案する。 この仕事の主な貢献は次のとおりです。 1) 動詞中心のビューと事象の意味的なビューの両方を表現するための新しい共同埋め込み表現を設計すること。 2) コントラスト損失誘導クラスタリングを用いたイベント型誘導 3) イベントの命名と改善。 実験により,本手法の有効性が示された。 私たちのコードはhttps://github.com/PratikMaitra/CLUE.comで公開されています。

関連論文リスト

• Enhancing Event Extraction from Short Stories through Contextualized Prompts [2.7670701972493568]
  本稿では,実際の出来事に注釈を付けた1000編の短編集集「textttVrittanta-EN」について述べる。 我々の目的は、短い物語の文脈における出来事の複雑な考えを明らかにすることである。 本報告では,テクスタイスに分類したイベント参照とそのカテゴリのアノテートに関する新しいガイドラインについて述べる。
  論文  参考訳（メタデータ） (2024-12-14T08:28:52Z)
• Efficient Zero-shot Event Extraction with Context-Definition Alignment [50.15061819297237]
  イベント抽出(EE)は、テキストから関心のあるイベント参照を特定するタスクである。 イベントタイプ名の静的な埋め込みは、1つの単語があいまいなため、十分ではないかもしれない、と私たちは主張する。 我々はZED(Zero-shot Event extract with Definition)と名付けた。
  論文  参考訳（メタデータ） (2022-11-09T19:06:22Z)
• Semantic Pivoting Model for Effective Event Detection [19.205550116466604]
  Event Detectionは、構造化されていない記事からイベントインスタンスの参照を識別し、分類することを目的としている。 イベント検出の既存のテクニックは、イベントタイプクラスを表現するために、均質な1ホットベクトルのみを使用しており、型の意味がタスクにとって重要であるという事実を無視している。 本稿では,学習中の事前情報を明示的に組み込んで,入力とイベント間の意味的に意味のある相関関係を捉えるセマンティック・ピロリング・モデル(SPEED)を提案する。
  論文  参考訳（メタデータ） (2022-11-01T19:20:34Z)
• PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
  本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。 型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
  論文  参考訳（メタデータ） (2022-02-15T18:01:39Z)
• Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding [51.57864297948228]
  本稿では,自然言語クエリとしてイベントタイプと引数ロールを取り入れた新しいイベント抽出フレームワークを提案する。 我々のフレームワークは、イベントタイプや引数ロールと入力テキストとのセマンティックな相関をよりよく捉えるための注意機構の恩恵を受ける。
  論文  参考訳（メタデータ） (2021-10-14T15:49:40Z)
• Corpus-based Open-Domain Event Type Induction [78.76531329136708]
  本研究では,コーパスに基づくオープンドメインイベント型誘導手法を提案する。 それぞれのイベントタイプを、述語感覚、オブジェクトヘッダーのペアのクラスタとして表現します。 我々の実験は、異なるドメインから得られた3つのデータセットに基づいて、健全で高品質なイベントタイプを見つけることができることを示す。
  論文  参考訳（メタデータ） (2021-09-07T20:42:44Z)
• Unsupervised Label-aware Event Trigger and Argument Classification [73.86358632937372]
  まず,利用可能なツール(srlなど)でイベントを識別し,それを事前に定義されたイベントタイプに自動マップする,教師なしイベント抽出パイプラインを提案する。 事前訓練された言語モデルを利用して、イベントトリガと引数の両方の事前定義された型を文脈的に表現します。 我々は、トリガーの83%と引数の54%を正しい型にマッピングし、以前のゼロショットアプローチのパフォーマンスをほぼ倍にしました。
  論文  参考訳（メタデータ） (2020-12-30T17:47:24Z)
• "What Are You Trying to Do?" Semantic Typing of Event Processes [94.3499255880101]
  本稿では,認知に動機づけられたセマンティックタイピングタスク,多軸イベントプロセスタイピングについて検討する。 我々は60k以上のイベントプロセスを含む大規模なデータセットを開発し、アクションとオブジェクトタイプの軸の両方に極細粒度のタイピングを特徴とする。 本稿では,Glosses1からの間接的監視によるタイピング問題に対処するハイブリッド学習フレームワークP2GTと,共同学習からランクへのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-13T22:37:29Z)

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。