Fugu-MT 論文翻訳(概要): Dividing the Ontology Alignment Task with Semantic Embeddings and Logic-based Modules

論文の概要: Dividing the Ontology Alignment Task with Semantic Embeddings and Logic-based Modules

arxiv url: http://arxiv.org/abs/2003.05370v1
Date: Tue, 25 Feb 2020 14:44:12 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 21:47:48.770675
Title: Dividing the Ontology Alignment Task with Semantic Embeddings and Logic-based Modules
Title（参考訳）: 意味埋め込みと論理型モジュールによるオントロジーアライメントタスクの分割
Authors: Ernesto Jim\'enez-Ruiz, Asan Agibetov, Jiaoyan Chen, Matthias Samwald, Valerie Cross
Abstract要約: 本稿では、埋め込みモデルと論理ベースのモジュールを組み合わせることで、入力マッチングタスクをより小さく、より難易度の高いタスクに正確に分割する手法を提案する。この結果は,提案手法が実際は適切であり,非常に大規模なニューラルネットワークに対処できないシステムのワークフローに統合可能であることを示唆している。
参考スコア（独自算出の注目度）: 15.904000789557486
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large ontologies still pose serious challenges to state-of-the-art ontology alignment systems. In this paper we present an approach that combines a neural embedding model and logic-based modules to accurately divide an input ontology matching task into smaller and more tractable matching (sub)tasks. We have conducted a comprehensive evaluation using the datasets of the Ontology Alignment Evaluation Initiative. The results are encouraging and suggest that the proposed method is adequate in practice and can be integrated within the workflow of systems unable to cope with very large ontologies.
Abstract（参考訳）: 大規模なオントロジーは依然として最先端のオントロジーアライメントシステムに深刻な課題をもたらす。本稿では,神経組込みモデルと論理に基づくモジュールを組み合わせて,入力オントロジーマッチングタスクをより小さく,より扱いやすい(サブ)タスクに正確に分割する手法を提案する。我々はオントロジアライメント評価イニシアチブのデータセットを用いて包括的な評価を行った。その結果,提案手法は実際は適切であり,非常に大きなオントロジに対処できないシステムのワークフローに組み込むことが可能であることが示唆された。

関連論文リスト

Uncertainty in Automated Ontology Matching: Lessons Learned from an Empirical Experimentation [6.491645162078057]
オントロジは、相互運用によるデータセットのリンクとセマンティック統合において重要な役割を果たす。本稿では、オントロジーマッチングに基づく手法を用いて、アプリケーションの観点からデータ統合にアプローチする。
論文参考訳（メタデータ） (2023-10-18T05:42:51Z)
Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
論文参考訳（メタデータ） (2023-08-24T06:50:07Z)
Truveta Mapper: A Zero-shot Ontology Alignment Framework [3.5284865194805106]
教師なしオントロジーマッチング(OM)やオントロジーアライメント(OA)に対する新しい視点の提案提案するフレームワークであるTruveta Mapper (TM)は、マルチタスクのシーケンス・ツー・シーケンス・トランスフォーマーモデルを利用して、ゼロショット、統一、エンドツーエンドの方法で複数のアライメントを実行する。 TMは、公開コーパステキストと内部オントロジデータのみを事前訓練し、微調整する。
論文参考訳（メタデータ） (2023-01-24T00:32:56Z)
SMT-based Weighted Model Integration with Structure Awareness [18.615397594541665]
本研究では,SMTに基づく列挙法と問題構造を効果的に符号化するアルゴリズムを開発した。これにより,冗長モデルの生成を回避し,計算コストを大幅に削減できる。
論文参考訳（メタデータ） (2022-06-28T09:46:17Z)
Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
我々は構造化出力予測(SOP)のための予測層を設計する。予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
論文参考訳（メタデータ） (2022-06-01T12:02:38Z)
Semantic Search for Large Scale Clinical Ontologies [63.71950996116403]
本稿では,大規模臨床語彙検索システムを構築するための深層学習手法を提案する。本稿では,意味学習データに基づくトレーニングデータを生成するTriplet-BERTモデルを提案する。このモデルは,5つの実ベンチマークデータセットを用いて評価され,提案手法は自由テキストから概念,概念まで,概念語彙の検索において高い結果が得られることを示す。
論文参考訳（メタデータ） (2022-01-01T05:15:42Z)
Partitioned Active Learning for Heterogeneous Systems [5.331649110169476]
本稿では,pgp(partitioned gp)モデルに基づく分断アクティブラーニング戦略を提案する。グローバル検索は、アクティブラーニングの探索の側面を加速する。ローカル検索は、ローカルGPモデルによって誘導されるアクティブ学習基準を利用する。
論文参考訳（メタデータ） (2021-05-14T02:05:31Z)
Neural Function Modules with Sparse Arguments: A Dynamic Approach to Integrating Information across Layers [84.57980167400513]
Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
論文参考訳（メタデータ） (2020-10-15T20:43:17Z)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。