論文の概要: Causals: An Open Knowledge Graph for Research on Causal Reasoning
- arxiv url: http://arxiv.org/abs/2611.16267v1
- Date: Thu, 12 Nov 2026 04:13:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.357947
- Title: Causals: An Open Knowledge Graph for Research on Causal Reasoning
- Title(参考訳): Causals: 因果推論の研究のためのオープンな知識グラフ
- Abstract要約: このような推論の形式を研究するためのオープン知識グラフであるCausalsを提示する。
ニュースレポートから構築された最初のリリースには、369,184ノードと、報告されたイベント、組織、商品、金融機器、その他のエンティティをリンクする1,272,418エッジが含まれている。
- 参考スコア(独自算出の注目度): 6.8430509011720275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Applying causal knowledge to a new event requires connecting the event to relevant entities and the relationships through which its consequences may unfold. We present Causals, an open knowledge graph for research on this form of reasoning. Its initial release, constructed from news reports, contains 369,184 nodes and 1,272,418 edges linking reported events, organizations, commodities, financial instruments, and other entities. Structural relationships, observations, and attributed causal claims retain distinct semantics and links to source records. We describe the construction and representation of the resource and characterize its connectivity and multi-hop retrieval properties. Causals provides shared relational knowledge for studying how language models retrieve relevant context and apply mechanisms to particular events. The dataset is available under CC BY 4.0 at https://causals.org/, and we invite contributions to its ontology, records, and evidence.
- Abstract(参考訳): 因果的知識を新しいイベントに適用するには、イベントを関連するエンティティと結び付ける必要がある。
このような推論の形式を研究するためのオープン知識グラフであるCausalsを提示する。
ニュースレポートから構築された最初のリリースには、369,184ノードと、報告されたイベント、組織、商品、金融機器、その他のエンティティをリンクする1,272,418エッジが含まれている。
構造的関係、観察、および属性付き因果関係は、異なる意味論と情報源の記録との関係を保っている。
本稿では,リソースの構成と表現について述べるとともに,その接続性とマルチホップ検索特性を特徴付ける。
Causalsは、言語モデルがどのように関連するコンテキストを検索し、特定のイベントにメカニズムを適用するかを研究するために、共通のリレーショナル知識を提供する。
データセットは CC BY 4.0 at https://causals.org/ で利用可能であり、オントロジー、レコード、エビデンスへのコントリビューションを招待する。
関連論文リスト
- WILDTRACE: Benchmarking Natural Evidence Trails in Long-Context Reasoning [63.9071746889252]
長い文書に複雑な質問を答えるには、ソース自体が遠くの通路に自然に分散する証拠を統合する必要がある。
この情報源と内部の証拠の統合は、現実世界の長期文書分析の中心であるが、既存のベンチマークはそのほとんどを横取りしている。
WILDTRACEは, 自然発生の214個の長形音源に対する481個のタスクのベンチマークである。
論文 参考訳(メタデータ) (2026-07-10T12:09:21Z) - Causal Cartographer: From Mapping to Reasoning Over Counterfactual Worlds [9.153187514369849]
因果世界モデルは、関心のある環境に関する反現実的な疑問に答えることができる。
事象の連鎖の背後にある根本原因を理解し、未知の分布に対する因果推論を行う必要がある。
提案手法は推論コストと素早い相関を低減しつつ因果知識を抽出できることを示す。
論文 参考訳(メタデータ) (2025-05-20T14:14:05Z) - CausalLP: Learning causal relations with weighted knowledge graph link prediction [5.3454230926797734]
CausalLPは知識グラフ補完問題として不完全因果ネットワークの問題を定式化している。
因果関係を表す知識グラフを使うことで、外部のドメイン知識の統合が可能になる。
CausalLPでは、因果的説明と因果的予測という2つの主要なタスクがサポートされている。
論文 参考訳(メタデータ) (2024-04-23T20:50:06Z) - Enhancing Event Causality Identification with Rationale and Structure-Aware Causal Question Answering [30.000134835133522]
事象因果同定(DECI)は、文書中の2つの事象間の因果関係を特定することを目的としている。
近年の研究では、事前訓練された言語モデルを用いて事象因果関係を生成する傾向にある。
本稿では,合理的かつ構造を考慮した因果的質問応答による事象因果同定を強化するためのマルチタスク学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-17T07:41:58Z) - Complex Reasoning over Logical Queries on Commonsense Knowledge Graphs [61.796960984541464]
論理クエリをサンプリングして作成した新しいデータセットであるCOM2(COMplex COMmonsense)を提示する。
我々は、手書きのルールと大きな言語モデルを用いて、複数の選択とテキスト生成の質問に言語化します。
COM2でトレーニングされた言語モデルでは、複雑な推論能力が大幅に改善されている。
論文 参考訳(メタデータ) (2024-03-12T08:13:52Z) - 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 schema induction for knowledge discovery [21.295680010103602]
本稿では、時間構造、事象構造、因果構造を組み合わせたテキストグラフスキーマのデータセットであるTorquestraを紹介する。
データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。
その結果、因果構造を利用するシステムは、類似の因果的意味成分を共有するテキストを特定するのに効果的であることがわかった。
論文 参考訳(メタデータ) (2023-03-27T16:55:49Z) - GeoAI for Knowledge Graph Construction: Identifying Causality Between
Cascading Events to Support Environmental Resilience Research [3.3072870202596736]
本稿では,災害イベントの因果関係を特定するためのGeoAIソリューションについて紹介する。
我々のソリューションは、イベント知識基盤を強化し、大きな知識グラフでリンクされたカスケードイベントの探索を可能にします。
論文 参考訳(メタデータ) (2022-11-11T05:31:03Z) - Learning Contextual Causality from Time-consecutive Images [84.26437953699444]
因果知識は多くの人工知能システムにとって重要である。
本稿では,視覚信号から文脈因果関係を学習する可能性について検討する。
まず,高品質なデータセットvis-causalを提案し,ビデオから有意義な因果知識を自動的に発見できることを示す実験を行った。
論文 参考訳(メタデータ) (2020-12-13T20:24:48Z) - Inferential Text Generation with Multiple Knowledge Sources and
Meta-Learning [117.23425857240679]
本研究では,テキストティフ・エルス関係のような多種多様なコモンセンスのイベントの推論テキストを生成する問題について検討する。
既存のアプローチでは、トレーニング例からの限られた証拠を使用して、個々の関係について学習するのが一般的である。
この研究では、モデルのための燃料として複数の知識ソースを使用します。
論文 参考訳(メタデータ) (2020-04-07T01:49:18Z)
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。