論文の概要: Knowledge Cores in Large Formal Contexts

• arxiv url: http://arxiv.org/abs/2002.11776v1
• Date: Wed, 26 Feb 2020 20:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 15:27:36.422231
• Title: Knowledge Cores in Large Formal Contexts
• Title（参考訳）: 大規模形式文脈における知識コア
• Authors: Tom Hanika and Johannes Hirth
• Abstract要約: 両部グラフへの自然な対応を利用して,形式概念解析(FCA)の領域で$k$-coresを研究する。 この構造的動機付けのアプローチは、大きな形式的文脈データセットから知識コアを包括的に抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge computation tasks are often infeasible for large data sets. This is in particular true when deriving knowledge bases in formal concept analysis (FCA). Hence, it is essential to come up with techniques to cope with this problem. Many successful methods are based on random processes to reduce the size of the investigated data set. This, however, makes them hardly interpretable with respect to the discovered knowledge. Other approaches restrict themselves to highly supported subsets and omit rare and interesting patterns. An essentially different approach is used in network science, called $k$-cores. These are able to reflect rare patterns if they are well connected in the data set. In this work, we study $k$-cores in the realm of FCA by exploiting the natural correspondence to bi-partite graphs. This structurally motivated approach leads to a comprehensible extraction of knowledge cores from large formal contexts data sets.
• Abstract（参考訳）: 知識計算タスクは、多くの場合、大規模なデータセットでは実行できない。 これは特に形式的概念分析(fca)における知識ベースを導出する場合に当てはまる。 したがって、この問題に対処する技術を考えることが不可欠である。 多くの成功した方法は、調査されたデータセットのサイズを減らすためにランダムなプロセスに基づいている。 しかし、これは発見されている知識に関してほとんど解釈できない。 他のアプローチでは、高度にサポートされたサブセットに制限され、稀で興味深いパターンを省略する。 本質的に異なるアプローチは、$k$-coresと呼ばれるネットワーク科学で使われている。 これらは、データセットによく接続されている場合、まれなパターンを反映することができる。 本研究では,二成分グラフへの自然対応を利用して,fca領域におけるk$-coreの研究を行う。 この構造的動機付けのアプローチは、大きな形式的文脈データセットから知識コアを理解することにつながる。

関連論文リスト

• Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
  Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。 我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。 関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T09:19:11Z)
• Learning Discretized Bayesian Networks with GOMEA [0.0]
  我々は、可変離散化を共同学習するために、既存の最先端構造学習アプローチを拡張した。 これにより、専門家の知識をユニークな洞察に富んだ方法で組み込むことができ、複雑性、正確性、および事前に決定された専門家ネットワークとの差異をトレードオフする複数のDBN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） (2024-02-19T14:29:35Z)
• Physics of Language Models: Part 3.1, Knowledge Storage and Extraction [51.68385617116854]
  大規模言語モデル(LLM)は膨大な量の世界の知識を格納することができ、しばしば質問応答によって抽出できる。 モデルが知識を抽出する能力と,トレーニングデータの多様な多様性尺度との間には,強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-09-25T17:37:20Z)
• $\text{EFO}_{k}$-CQA: Towards Knowledge Graph Complex Query Answering beyond Set Operation [36.77373013615789]
  本稿では,データ生成,モデルトレーニング,メソッド評価のためのフレームワークを提案する。 実験的な評価のために,データセットとして$textEFO_k$-CQAを構築した。
  論文  参考訳（メタデータ） (2023-07-15T13:18:20Z)
• Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph Completion [69.55700751102376]
  FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。 既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。 本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
  論文  参考訳（メタデータ） (2023-04-17T11:42:28Z)
• Multi-Modal Causal Inference with Deep Structural Equation Models [3.5271614282612314]
  我々は、因果推論の中で非構造化データを活用する技術を開発し、そうでなければ説明できない共同設立者のために修正する。 我々は、ゲノム学と医療におけるタスクを実証的に実証し、構造化されていないデータを様々なコンバウンディングソースの修正に使うことができることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T00:44:36Z)
• KnAC: an approach for enhancing cluster analysis with background knowledge and explanations [0.20999222360659603]
  我々はKnAC(Knowledge Augmented Clustering)を紹介します。 KnACは任意のクラスタリングアルゴリズムの拡張として機能し、アプローチを堅牢でモデルに依存しないものにすることができる。
  論文  参考訳（メタデータ） (2021-12-16T10:13:47Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Information fusion between knowledge and data in Bayesian network structure learning [5.994412766684843]
  本稿では,オープンソースのベイジィス構造学習システムで実装された情報融合手法について述べる。 結果は、限定データとビッグデータの両方で示され、ベイジスで利用可能なBN構造学習アルゴリズムが3つ適用されている。
  論文  参考訳（メタデータ） (2021-01-31T15:45:29Z)
• KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
  知識集約型言語タスク(KILT)のベンチマークを示す。 KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。 共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
  論文  参考訳（メタデータ） (2020-09-04T15:32:19Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。