論文の概要: Data Augmentation for Personal Knowledge Base Population
- arxiv url: http://arxiv.org/abs/2002.10943v2
- Date: Tue, 18 Aug 2020 06:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 09:09:40.350457
- Title: Data Augmentation for Personal Knowledge Base Population
- Title(参考訳): 個人知識ベース人口のためのデータ拡張
- Authors: Lingraj S Vannur, Balaji Ganesan, Lokesh Nagalapatti, Hima Patel, MN
Thippeswamy
- Abstract要約: コールドスタート知識ベース人口(KBP)は、構造化されていない文書から知識ベースを投入する問題である。
本研究では,ルールベースのアノテータとグラフニューラルネットワークをリンク予測の欠如に用い,より完全で公平で多様な知識ベースを投入するシステムを提案する。
- 参考スコア(独自算出の注目度): 4.864819846886142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cold start knowledge base population (KBP) is the problem of populating a
knowledge base from unstructured documents. While artificial neural networks
have led to significant improvements in the different tasks that are part of
KBP, the overall F1 of the end-to-end system remains quite low. This problem is
more acute in personal knowledge bases, which present additional challenges
with regard to data protection, fairness and privacy. In this work, we present
a system that uses rule based annotators and a graph neural network for missing
link prediction, to populate a more complete, fair and diverse knowledge base
from the TACRED dataset.
- Abstract(参考訳): コールドスタート知識ベース人口(KBP)は、構造化されていない文書から知識ベースを投入する問題である。
人工ニューラルネットワークは、KBPの一部であるさまざまなタスクに大きな改善をもたらしたが、エンドツーエンドシステムの全体的なF1は非常に低いままである。
この問題は、個人の知識ベースにおいてより深刻であり、データ保護、公平性、プライバシーに関して追加の課題がある。
本研究では,ルールベースのアノテータとグラフニューラルネットワークを用いてリンク予測の欠如を予測し,TACREDデータセットからより完全で公平で多様な知識ベースを抽出するシステムを提案する。
関連論文リスト
- Privacy-Preserved Neural Graph Databases [52.1165903128359]
NGDBにおけるプライバシー漏洩のリスクを軽減するために,プライバシ保存型ニューラルグラフデータベース(P-NGDB)フレームワークを提案する。
本研究は,NGDBを訓練段階に導入し,個人情報で質問したときの識別不能な回答を生成する。
論文 参考訳(メタデータ) (2023-12-25T02:32:05Z) - Hyper-Relational Knowledge Graph Neural Network for Next POI [10.855112358613843]
位置情報ベースのソーシャルネットワーク(LBSN)におけるPOIレコメンデーションシステムは,ユーザや企業に対して多くのメリットをもたらしている。
既存の多くの研究では、LBSNにおけるデータ空間の問題を軽減するためにKG(Knowledge Graph)を使用している。
本稿では,ハイパーリレーショナルな知識グラフニューラルネットワーク(HKGNN)モデルを提案する。
論文 参考訳(メタデータ) (2023-11-28T10:55:00Z) - ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。
ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。
量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文 参考訳(メタデータ) (2023-08-22T09:11:53Z) - Bridged-GNN: Knowledge Bridge Learning for Effective Knowledge Transfer [65.42096702428347]
グラフニューラルネットワーク(GNN)は、隣接するノードから情報を集約する。
知識ブリッジ学習(KBL)は、対象ドメインに対する知識強化後部分布を学習する。
Bridged-GNNには、Bridged-Graphを構築するためのAdaptive Knowledge Retrievalモジュールと、Graph Knowledge Transferモジュールが含まれている。
論文 参考訳(メタデータ) (2023-08-18T12:14:51Z) - KGA: A General Machine Unlearning Framework Based on Knowledge Gap
Alignment [51.15802100354848]
我々は,忘れやすさを誘発する一般学習フレームワークKGAを提案する。
大規模なデータセットの実験は、KGAがベースラインよりも包括的な改善をもたらすことを示している。
論文 参考訳(メタデータ) (2023-05-11T02:44:29Z) - A Privacy Preserving System for Movie Recommendations Using Federated
Learning [11.084158960719671]
本稿では,映画レコメンデーションのためのレコメンデーションシステムを提案する。
フェデレートされた学習を用いてトレーニングされるため、その性質上、プライバシ保護が重要である。
FedQと呼ばれる新しいフェデレーション学習スキームが採用され、非i.d.nessと小さなローカルデータセットの問題に対処する。
論文 参考訳(メタデータ) (2023-03-07T17:22:38Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳(メタデータ) (2021-04-29T14:31:09Z) - Incremental Knowledge Based Question Answering [52.041815783025186]
人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。
具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。
包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
論文 参考訳(メタデータ) (2021-01-18T09:03:38Z) - A Survey on Graph Neural Networks for Knowledge Graph Completion [3.6695257806192187]
知識グラフは、質問回答や情報検索など、さまざまなダウンストリームタスクで人気が高まっている。
知識グラフはしばしば不完全であり、パフォーマンスが低下する。
最近では、これらの知識グラフに固有の構造情報をキャプチャするために、グラフニューラルネットワークが使用されている。
論文 参考訳(メタデータ) (2020-07-24T06:46:46Z)
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。