Mar, 2022

基于场景进化的程序文本理解

PDF
TL;DR本文提出了一种新的基于场景的范式，称为 Scene Graph Reasoner (SGR)，用于以场景的方式联合跟踪所有实体的状态，并引入了一系列动态演化的场景图来共同制定实体、状态及其关联的演化，从而可以联合捕获所有实体和状态之间的深度交互，并同时推导出场景图。实验证明，SGR 不仅实现了新的最先进性能，而且显着加速了推理速度。
procedural text understandingscene-wisesgrentity statesscene graphs
发现论文，激发创造
  • 多阶段训练的知识感知程序文本理解

    研究了手续性文本理解的挑战，发现外部知识注入和数据不足的问题，提出了一个多阶段训练的知识感知 KOALA 模型，最终在 ProPara 和 Recipes 数据集上达到了最先进的性能表现。

    Sep, 2020

  • 集合全局和局部信息以进行过程文本理解

    本文提出了一种新的模型 CGLI，该模型结合了本地和全局视图的输入以及全局输出，旨在实现精度和召回率同时优化，同时在故事推理框架中进行了扩展，实验结果表明这种方法在流程文本理解和故事推理方面均取得了最先进的结果。

    Aug, 2022

  • 基于语义推理网络的准确场景文本识别

    提出了一个新的基于语义推理网络的端到端的可训练框架，用于场景文本识别，其中引入了全局语义推理模块来通过多向并行传输捕获全局语义内容，具有比基于循环神经网络方法更快的速度。该方法在包括正常文本、不规则文本和非拉丁长文本在内的 7 个公共基准上取得了最先进的结果，验证了其有效性和鲁棒性。

    Mar, 2020

  • 理解多模态程序的程序推理网络

    本文介绍了一种新型的神经理解模型，它动态更新实体状态并利用多模态信息帮助理解计算机常识任务，使用这种方法显著提高了之前报告的模型的准确性。

    Sep, 2019

  • 视觉语义提高了场景文本识别中的文本推理水平

    该研究提出了一种基于图卷积网络的文本推理（GTR）方法并将其应用于场景文本识别中，该方法可以利用像素之间的空间关联来提高文本识别的性能，并在六个具有挑战性的基准测试中获得最新的最佳结果。

    Dec, 2021

  • 语义分析在理解过程文本中的作用

    本研究評估符號語義表示是否可以用來幫助程序文本中涉及的實體狀態推理，提出了基於符號解析的程序推理框架 PROPOLIS，並將語義解析信息集成到最先進的神經模型中進行程序推理，在實驗中發現明確地合併此類語義知識可以提高程序理解，並提供了用於評估程序推理任務的新指標，明確了神經模型、符號模型和集成模型之間的差異。

    Feb, 2023

  • 跟踪离散和连续实体状态以了解过程

    本文提出了一种结构化的神经架构来跟踪实体的发展，包括每个实体的隐藏连续表达和全局离散状态结构，使用神经 CRF 来约束实体状态随时间的演变。我们在 ProPara 数据集上对该模型进行了评估，在 QA 任务中取得了最先进的结果。

    Apr, 2019

  • 程序性文本中实体和事件的因果推理

    本研究提出 CREPE 作为第一个事件因果推理和实体状态的基准测试，并在其中发现大多数语言模型表现低迷，但通过将事件表示为编程语言，并在表示中注入实体和事件之间的因果关系，提高了模型的性能。

    Jan, 2023

  • 具有属性感知上下文流的程序性阅读理解

    该研究介绍了一种用于程序化阅读理解的算法，将文本转换成一般的形式，将过程表示为实体属性的转换序列，利用预训练的语言模型，同时预测实体属性和它们的转换，实现了对 ProPara 和 npn-cooking 两个数据集的最新成果。

    Mar, 2020

  • 开放领域流程文本实体跟踪数据集

    本篇论文利用开放词汇表，提出一种新的任务形式，通过给定程序文本来生成每个步骤的状态更改元组，并使用众包创建数据集 OPENPI1，其中包含来自 WikiHow.com 中 810 个实际段落、4,050 个句子的 29,928 个状态更改，该任务的最新生成模型在此数据集上实现了 16.1％ 的 F1，留有足够的空间提出新的模型结构。

    Oct, 2020